aigroup-econ-mcp 1.4.3__py3-none-any.whl → 2.0.1__py3-none-any.whl

econometrics//321/206/320/254/320/272/321/205/342/225/235/320/220/321/205/320/237/320/241/321/205/320/264/320/267/321/207/342/226/222/342/225/227/321/204/342/225/235/320/250/321/205/320/225/320/230/321/207/342/225/221/320/267/321/205/320/230/320/226/321/206/320/256/320/240.md

@@ -0,0 +1,544 @@
+# AIGroup Econometrics MCP 未开发大类优先级分析
+
+## 项目现状概览
+
+根据项目结构和测试报告分析，当前已开发 **49个计量经济学工具**，涵盖以下主要类别：
+
+### 已开发工具类别统计
+
+| 类别 | 工具数量 | 状态 |
+|------|----------|------|
+| **基础参数估计** | 3个 | ✅ 已开发 |
+| **因果推断方法** | 13个 | ✅ 已开发 |
+| **机器学习方法** | 8个 | ✅ 已开发 |
+| **微观计量模型** | 7个 | ✅ 已开发 |
+| **模型规范与诊断** | 7个 | ✅ 已开发 |
+| **时间序列与面板数据** | 11个 | ✅ 已开发 |
+| **总计** | **49个** | ✅ 已开发 |
+
+## 未开发大类识别
+
+根据 README.md 中的分类体系，识别出以下尚未开发的大类：
+
+### 1. 空间计量经济学 (SPATIAL ECONOMETRICS) - 高优先级
+
+**核心问题**: 处理数据的空间依赖性和空间异质性
+
+**主要方法**:
+- 空间权重矩阵构建（邻接、距离、K近邻矩阵）
+- 空间自相关检验（Moran's I、Geary's C、局部空间自相关LISA）
+- 空间回归模型（SAR、SEM、SDM、GWR、空间面板数据模型）
+
+**优先级理由**: 
+- 在区域经济、地理经济学中应用广泛
+- 具有独特的方法论价值
+- 实际研究需求强烈
+
+**推荐Python库**:
+- `libpysal`: 空间分析核心库
+- `spreg`: 空间回归模型
+- `esda`: 探索性空间数据分析
+- `mgwr`: 地理加权回归
+
+### 2. 非参数与半参数方法 (NONPARAMETRIC & SEMIPARAMETRIC) - 高优先级
+
+**核心问题**: 放宽函数形式的线性或参数化假设
+
+**主要方法**:
+- 核回归
+- 局部回归
+- 样条回归
+- 广义可加模型 (GAM)
+- 部分线性模型
+- 非参数工具变量估计
+
+**优先级理由**:
+- 现代计量经济学重要发展方向
+- 对函数形式假设要求较低
+- 在机器学习交叉领域应用广泛
+
+**推荐Python库**:
+- `statsmodels.nonparametric`: 核回归、局部回归
+- `scikit-learn`: 样条回归、GAM
+- `pygam`: 广义可加模型
+- `linearmodels`: 部分线性模型
+
+### 3. 分布分析与分解方法 (DISTRIBUTION ANALYSIS & DECOMPOSITION) - 中优先级
+
+**核心问题**: 分析因变量整个条件分布的特征，而非仅仅条件均值
+
+**主要方法**:
+- 分位数回归
+- 分解方法（Oaxaca-Blinder、DiNardo-Fortin-Lemieux）
+- 方差分解、ANOVA分解
+- Shapley值分解
+- 时间序列分解（趋势-季节-随机）
+
+**优先级理由**:
+- 提供更全面的分布信息
+- 在收入不平等、劳动经济学中应用重要
+- 与机器学习解释性方法结合
+
+**推荐Python库**:
+- `statsmodels.regression.quantile_regression`: 分位数回归
+- `linearmodels`: Oaxaca-Blinder分解
+- `shap`: Shapley值分解
+- `statsmodels.tsa.seasonal`: 时间序列分解
+
+### 4. 统计推断技术 (STATISTICAL INFERENCE TECHNIQUES) - 中优先级
+
+**核心问题**: 在理论分布难以推导或模型复杂时进行可靠推断
+
+**主要方法**:
+- 重采样方法（Bootstrap、Pairs Bootstrap、Residual Bootstrap、Wild Bootstrap、Block Bootstrap）
+- 模拟方法（蒙特卡洛模拟、置换检验）
+- 渐近方法（Delta方法、聚类稳健推断）
+
+**优先级理由**:
+- 为复杂模型提供统计推断基础
+- 在小样本情况下特别重要
+- 现代实证研究的标准工具
+
+**推荐Python库**:
+- `scipy.stats.bootstrap`: Bootstrap方法
+- `resample`: 重采样工具
+- `numpy.random`: 蒙特卡洛模拟
+- `scipy.stats.permutation_test`: 置换检验
+
+### 5. 缺失数据与测量误差 (MISSING DATA & MEASUREMENT ERROR) - 中优先级
+
+**核心问题**: 处理数据不完整或变量测量不准确的问题
+
+**主要方法**:
+- 缺失数据处理（列表删除、均值插补、回归插补、多重插补MICE/Amelia、EM算法）
+- 测量误差（工具变量法、SIMEX方法）
+
+**优先级理由**:
+- 实际数据中普遍存在的问题
+- 对估计结果有重要影响
+- 现代数据处理的关键技术
+
+**推荐Python库**:
+- `sklearn.impute`: 缺失值插补
+- `statsmodels.imputation`: 多重插补
+- `fancyimpute`: 高级插补方法
+- `measurement_error`: 测量误差处理
+
+### 6. 生存/持续时间数据 (SURVIVAL/DURATION DATA) - 低优先级
+
+**核心问题**: 分析"事件发生时间"数据并处理右删失
+
+**主要方法**:
+- Kaplan-Meier估计量
+- Cox比例风险模型
+- 加速失效时间模型
+
+**优先级理由**:
+- 在特定领域（医学、工程可靠性）应用重要
+- 但应用范围相对较窄
+- 可与其他工具配合使用
+
+**推荐Python库**:
+- `lifelines`: 生存分析库
+- `scikit-survival`: 生存分析机器学习
+- `statsmodels.duration`: 持续时间模型
+
+## 开发优先级排序
+
+### 第一优先级 (立即开发)
+1. **空间计量经济学**
+   - 应用广泛，方法论独特
+   - 实际研究需求强烈
+
+2. **非参数与半参数方法**
+   - 现代计量重要方向
+   - 与机器学习交叉应用
+
+### 第二优先级 (中期开发)
+3. **分布分析与分解方法**
+   - 提供更全面的分析视角
+   - 在政策评估中应用重要
+
+4. **统计推断技术**
+   - 为其他方法提供统计基础
+   - 现代实证研究标准工具
+
+### 第三优先级 (长期开发)
+5. **缺失数据与测量误差**
+   - 数据处理关键技术
+   - 对数据质量影响重要
+
+6. **生存/持续时间数据**
+   - 特定领域应用
+   - 可与其他工具配合
+
+## 开发规范参考
+
+### 三层架构设计
+
+新工具的开发应严格遵循项目的三层架构：
+
+```
+┌─────────────────────────────────────────────────┐
+│  MCP工具层 (tools/mcp_tool_groups/)            │
+│  - 工具注册和接口定义                           │
+│  - 参数验证                                     │
+│  - 异步函数封装                                 │
+└─────────────────────────────────────────────────┘
+                      ↓
+┌─────────────────────────────────────────────────┐
+│  适配器层 (tools/*_adapter.py)                  │
+│  - 数据加载和格式转换                           │
+│  - 调用核心算法                                 │
+│  - 输出格式化                                   │
+└─────────────────────────────────────────────────┘
+                      ↓
+┌─────────────────────────────────────────────────┐
+│  核心算法层 (econometrics/)                     │
+│  - 统计模型实现                                 │
+│  - 基于成熟Python库                             │
+│  - Pydantic结果模型                             │
+└─────────────────────────────────────────────────┘
+```
+
+### 1. 核心算法层开发规范
+
+**参考模板**: `econometrics/basic_parametric_estimation/ols/ols_model.py`
+
+#### 核心要点：
+```python
+"""
+方法名称模型实现
+"""
+from typing import List, Dict, Any, Optional
+from pydantic import BaseModel, Field
+import numpy as np
+# 导入相关的成熟统计库
+import statsmodels.api as sm  # 或其他库
+
+class MethodResult(BaseModel):
+    """方法结果的Pydantic模型"""
+    # 定义所有输出字段
+    coefficients: List[float] = Field(..., description="系数估计")
+    std_errors: List[float] = Field(..., description="标准误")
+    # ... 其他统计量
+
+def method_analysis(
+    # 输入参数
+    data: List[float],
+    # ... 其他参数
+) -> MethodResult:
+    """
+    方法的核心实现
+    
+    Args:
+        data: 输入数据说明
+        
+    Returns:
+        MethodResult: 分析结果
+        
+    Raises:
+        ValueError: 输入验证失败时抛出
+    """
+    # 1. 输入验证
+    if not data:
+        raise ValueError("数据不能为空")
+    
+    # 2. 数据预处理
+    # 使用numpy进行数据转换
+    
+    # 3. 调用成熟统计库执行计算
+    # 基于statsmodels、scipy、sklearn等
+    
+    # 4. 提取并返回结果
+    return MethodResult(
+        coefficients=...,
+        std_errors=...,
+        # ...
+    )
+```
+
+**关键原则**：
+- ✅ 使用Pydantic定义结果模型
+- ✅ 完整的类型注解
+- ✅ 详细的文档字符串
+- ✅ 输入验证和错误处理
+- ✅ 基于成熟的Python统计库
+- ❌ 不要重复造轮子
+
+### 2. 适配器层开发规范
+
+**参考模板**: `tools/econometrics_adapter.py`
+
+#### 核心要点：
+```python
+"""
+方法适配器
+将核心算法适配为MCP工具
+"""
+from typing import List, Optional
+from .data_loader import DataLoader
+from .output_formatter import OutputFormatter
+from econometrics.category.method.method_model import (
+    method_analysis as core_method,
+    MethodResult as CoreMethodResult
+)
+
+def method_adapter(
+    # 输入参数（支持直接数据和文件路径）
+    data: Optional[List[float]] = None,
+    file_path: Optional[str] = None,
+    # ... 其他参数
+    output_format: str = "json",
+    save_path: Optional[str] = None
+) -> str:
+    """
+    方法适配器
+    
+    功能：
+    1. 数据加载（文件或直接数据）
+    2. 调用核心算法
+    3. 格式化输出
+    """
+    # 1. 数据准备
+    if file_path:
+        data_dict = DataLoader.load_from_file(file_path)
+        data = data_dict["data"]
+    elif data is None:
+        raise ValueError("必须提供file_path或data")
+    
+    # 2. 调用核心算法（复用！）
+    result: CoreMethodResult = core_method(data=data, ...)
+    
+    # 3. 格式化输出
+    if output_format == "json":
+        json_result = json.dumps(result.dict(), ensure_ascii=False, indent=2)
+        if save_path:
+            OutputFormatter.save_to_file(json_result, save_path)
+            return f"分析完成！结果已保存到: {save_path}\n\n{json_result}"
+        return json_result
+    else:
+        # 其他格式处理
+        formatted = OutputFormatter.format_result(result, output_format)
+        if save_path:
+            OutputFormatter.save_to_file(formatted, save_path)
+        return formatted
+```
+
+**关键原则**：
+- ✅ 支持文件输入和直接数据输入
+- ✅ 使用DataLoader统一数据加载
+- ✅ 使用OutputFormatter统一输出格式化
+- ✅ 统一的错误处理机制
+
+### 3. MCP工具注册规范
+
+**参考模板**: `tools/mcp_tool_groups/basic_parametric_tools.py`
+
+#### 核心要点：
+```python
+"""
+方法类别工具组
+"""
+from typing import List, Dict, Any, Optional
+from mcp.server.fastmcp import Context
+from mcp.server.session import ServerSession
+from ..mcp_tools_registry import ToolGroup
+from ..category_adapter import method_adapter
+
+class CategoryTools(ToolGroup):
+    """类别工具组"""
+    
+    name = "CATEGORY NAME"
+    description = "类别描述"
+    version = "1.0.0"
+    
+    @classmethod
+    def get_tools(cls) -> List[Dict[str, Any]]:
+        """返回工具列表"""
+        return [
+            {
+                "name": "category_method_name",
+                "handler": cls.method_tool,
+                "description": "Method Description"
+            },
+            # 更多工具...
+        ]
+    
+    @staticmethod
+    async def method_tool(
+        # 参数定义（与适配器一致）
+        data: Optional[List[float]] = None,
+        file_path: Optional[str] = None,
+        output_format: str = "json",
+        save_path: Optional[str] = None,
+        ctx: Context[ServerSession, None] = None
+    ) -> str:
+        """方法工具（异步函数）"""
+        try:
+            if ctx:
+                await ctx.info("Starting method analysis...")
+            
+            # 调用适配器
+            result = method_adapter(
+                data=data,
+                file_path=file_path,
+                output_format=output_format,
+                save_path=save_path
+            )
+            
+            if ctx:
+                await ctx.info("Method analysis complete")
+            
+            return result
+        except Exception as e:
+            if ctx:
+                await ctx.error(f"Error: {str(e)}")
+            raise
+```
+
+**关键原则**：
+- ✅ 继承ToolGroup基类
+- ✅ 实现get_tools()类方法
+- ✅ 每个工具都是async函数
+- ✅ 使用Context进行日志记录
+- ✅ 统一的异常处理
+
+### 4. 输入输出格式规范
+
+**参考文档**: `resources/MCP_TOOLS_DATA_FORMAT_GUIDE.md`
+
+#### 输入格式要求：
+
+1. **直接数据输入**:
+   - 一维数据: `List[float]`
+   - 二维数据: `List[List[float]]`
+   - 标识符: `List[str]` 或 `List[int]`
+
+2. **文件输入**:
+   - 支持格式: txt, json, csv, excel
+   - 使用DataLoader统一加载
+
+3. **数据验证**:
+   - 非空检查
+   - 维度一致性检查
+   - 数据类型验证
+
+#### 输出格式要求：
+
+1. **JSON格式** (默认):
+```json
+{
+  "coefficients": [1.0, 2.0],
+  "std_errors": [0.1, 0.2],
+  "statistics": {...}
+}
+```
+
+2. **Markdown格式**:
+```markdown
+# 分析结果
+
+## 系数估计
+- 系数1: 1.0 (标准误: 0.1)
+- 系数2: 2.0 (标准误: 0.2)
+```
+
+3. **文本格式**:
+```
+分析结果
+=========
+系数估计: [1.0, 2.0]
+标准误: [0.1, 0.2]
+```
+
+## 模块化开发架构设计
+
+### 文件结构设计原则
+```
+econometrics/
+├── spatial_econometrics/           # 空间计量经济学
+│   ├── spatial_weights.py          # 空间权重矩阵（单一方法）
+│   ├── spatial_autocorrelation.py  # 空间自相关检验（单一方法）
+│   ├── spatial_regression.py       # 空间回归模型（单一方法）
+│   └── __init__.py
+├── nonparametric_methods/          # 非参数方法
+│   ├── kernel_regression.py        # 核回归（单一方法）
+│   ├── local_regression.py         # 局部回归（单一方法）
+│   ├── spline_regression.py        # 样条回归（单一方法）
+│   ├── gam_model.py                # 广义可加模型（单一方法）
+│   └── __init__.py
+├── distribution_analysis/          # 分布分析
+│   ├── quantile_regression.py      # 分位数回归（单一方法）
+│   ├── decomposition_methods.py    # 分解方法（单一方法）
+│   ├── variance_decomposition.py   # 方差分解（单一方法）
+│   └── __init__.py
+└── ... (其他类别类似结构)
+```
+
+### 每个方法独立脚本的优势
+1. **易于维护**: 每个方法独立，修改不影响其他功能
+2. **便于测试**: 可以为每个方法编写独立的单元测试
+3. **灵活组合**: 用户可以根据需要选择特定方法
+4. **错误隔离**: 单个方法出错不会影响整个系统
+5. **版本控制**: 可以独立更新和发布单个方法
+
+## 建议开发计划
+
+### 第一阶段 (1-2个月)
+- 开发空间计量经济学工具组 (5-7个工具)
+  - 基于 `libpysal` 和 `spreg` 库
+  - 每个空间模型独立脚本
+- 开发非参数与半参数方法工具组 (5-6个工具)
+  - 基于 `statsmodels.nonparametric` 和 `pygam`
+  - 每个非参数方法独立脚本
+
+### 第二阶段 (2-3个月)
+- 开发分布分析与分解方法工具组 (4-5个工具)
+  - 基于 `statsmodels` 和 `linearmodels`
+  - 每个分解方法独立脚本
+- 开发统计推断技术工具组 (5-6个工具)
+  - 基于 `scipy.stats` 和 `resample`
+  - 每个推断方法独立脚本
+
+### 第三阶段 (3-4个月)
+- 开发缺失数据与测量误差工具组 (4-5个工具)
+  - 基于 `sklearn.impute` 和 `fancyimpute`
+  - 每个插补方法独立脚本
+- 开发生存/持续时间数据工具组 (3-4个工具)
+  - 基于 `lifelines` 库
+  - 每个生存模型独立脚本
+
+## 预期工具总数
+
+完成所有类别开发后，预计新增 **26-33个工具**，使总工具数达到 **75-82个**，形成完整的计量经济学分析工具集。
+
+## 技术实现原则
+
+### 1. 基于现有Python统计库
+- **不重复造轮子**: 充分利用成熟的统计库
+- **标准化接口**: 统一输入输出格式
+- **性能优化**: 利用底层库的优化实现
+
+### 2. 模块化设计
+- **单一职责**: 每个脚本只实现一个核心方法
+- **独立测试**: 每个方法都有完整的单元测试
+- **清晰依赖**: 明确的方法依赖关系
+
+### 3. 向后兼容
+- **接口稳定**: 保持现有MCP工具接口不变
+- **数据格式**: 统一使用现有数据格式标准
+- **错误处理**: 统一的错误处理机制
+
+### 4. 文档完善
+- **使用示例**: 每个方法提供完整的使用示例
+- **参数说明**: 详细的参数文档
+- **输出格式**: 明确的输出格式说明
+
+---
+**分析时间**: 2025-11-06  
+**分析依据**: 项目结构分析、测试报告、README文档  
+**当前工具总数**: 49个  
+**预计新增工具**: 26-33个  
+**最终工具总数**: 75-82个  
+**开发原则**: 基于现有Python统计库 + 模块化独立脚本设计 + 严格遵循三层架构规范

pyproject.toml

@@ -4,8 +4,8 @@ build-backend = "hatchling.build"
 
 [project]
 name = "aigroup_econ_mcp"
-version = "1.4.3"
-description = "专业计量经济学MCP工具 - 100%覆盖Stata核心功能，30+项专业分析工具，支持CSV/JSON/TXT/Excel格式，让大模型更智能地进行数据分析"
+version = "2.0.1"
+description = "专业计量经济学MCP工具 - 支持CSV/JSON/TXT/Excel格式，让大模型更智能地进行数据分析"
 readme = "README.md"
 requires-python = ">=3.10"
 authors = [
@@ -26,6 +26,13 @@ dependencies = [
     "PyYAML>=6.0",
     "arch>=6.0.0",
     "openpyxl>=3.0.0",
+    "lifelines>=0.27.0",
+    "libpysal>=4.7.0",
+    "esda>=2.4.0",
+    "spreg>=1.4.0",
+    "joblib>=1.2.0",
+    "xgboost>=1.7.0",
+    "matplotlib>=3.5.0",
 ]
 keywords = ["mcp", "economics", "statistics", "regression", "data-analysis", "econometrics", "time-series", "panel-data"]
 classifiers = [

server.py

@@ -5,6 +5,7 @@ AIGroup 计量经济学 MCP 服务器 - 简化修复版
 
 import sys
 import os
+import asyncio
 from typing import List, Optional, Union
 from mcp.server.fastmcp import FastMCP, Context
 from mcp.server.session import ServerSession
@@ -29,6 +30,11 @@ mcp = FastMCP("aigroup-econ-mcp")
 print("正在自动发现工具组...")
 registry.auto_discover_groups()
 
+# 显示发现的工具组
+print(f"发现工具组数量: {len(registry.tool_groups)}")
+for group in registry.tool_groups:
+    print(f"  - {group.name}")
+
 # 直接注册所有工具
 print("正在注册工具...")
 for tool_name, tool_info in registry.get_all_tools().items():
@@ -76,7 +82,15 @@ def main():
     print("\n启动服务器...")
     print("=" * 60)
     
-    mcp.run(transport="stdio")
+    # 正确使用FastMCP.run方法，不传递timeout参数
+    try:
+        mcp.run(transport="stdio")
+    except KeyboardInterrupt:
+        print("\n服务器已停止")
+    except Exception as e:
+        print(f"\n服务器运行出错: {e}")
+        import traceback
+        traceback.print_exc()
 
 
 if __name__ == "__main__":

tools/__init__.py

@@ -18,6 +18,46 @@ from .time_series_panel_data_tools import (
     dynamic_panel_model
 )
 
+# 因果推断工具适配器
+from .causal_inference_adapter import (
+    did_adapter,
+    iv_adapter,
+    psm_adapter,
+    fixed_effects_adapter,
+    random_effects_adapter,
+    rdd_adapter,
+    synthetic_control_adapter,
+    event_study_adapter,
+    triple_difference_adapter,
+    mediation_adapter,
+    moderation_adapter,
+    control_function_adapter,
+    first_difference_adapter
+)
+
+# 机器学习工具适配器
+from .machine_learning_adapter import (
+    random_forest_adapter,
+    gradient_boosting_adapter,
+    svm_adapter,
+    neural_network_adapter,
+    kmeans_clustering_adapter,
+    hierarchical_clustering_adapter,
+    double_ml_adapter,
+    causal_forest_adapter
+)
+
+# 微观计量模型工具适配器
+from .microecon_adapter import (
+    logit_adapter,
+    probit_adapter,
+    multinomial_logit_adapter,
+    poisson_adapter,
+    negative_binomial_adapter,
+    tobit_adapter,
+    heckman_adapter
+)
+
 # 保持向后兼容性
 ols_adapter = EconometricsAdapter.ols_regression
 mle_adapter = EconometricsAdapter.mle_estimation
@@ -41,5 +81,39 @@ __all__ = [
     "unit_root_tests",
     "var_svar_model",
     "cointegration_analysis",
-    "dynamic_panel_model"
+    "dynamic_panel_model",
+    
+    # 因果推断工具
+    "did_adapter",
+    "iv_adapter",
+    "psm_adapter",
+    "fixed_effects_adapter",
+    "random_effects_adapter",
+    "rdd_adapter",
+    "synthetic_control_adapter",
+    "event_study_adapter",
+    "triple_difference_adapter",
+    "mediation_adapter",
+    "moderation_adapter",
+    "control_function_adapter",
+    "first_difference_adapter",
+    
+    # 机器学习工具
+    "random_forest_adapter",
+    "gradient_boosting_adapter",
+    "svm_adapter",
+    "neural_network_adapter",
+    "kmeans_clustering_adapter",
+    "hierarchical_clustering_adapter",
+    "double_ml_adapter",
+    "causal_forest_adapter",
+    
+    # 微观计量模型工具
+    "logit_adapter",
+    "probit_adapter",
+    "multinomial_logit_adapter",
+    "poisson_adapter",
+    "negative_binomial_adapter",
+    "tobit_adapter",
+    "heckman_adapter"
 ]