人工智能组经济模型MCP服务器
项目介绍
Aiggroup econ mcp - 专业经济计量MCP工具
🎯 综合经济计量分析平台 - 集成了66种专业工具，涵盖基础参数估计、因果推断、机器学习、微观经济计量、时间序列和面板数据分析等领域，支持多种数据格式输入如CSV/JSON/TXT/Excel，以及多种输出格式如JSON/Markdown/TXT，提供一站式经济研究和数据分析解决方案
📋 目录
🚀 快速开始
一键启动（推荐）
# 使用uvx快速启动（无需安装）
uvx aigroup-econ-mcp
# ⚠️ 如果遇到版本更新后仍运行旧版本（uvx缓存问题），请使用：
uvx --no-cache aigroup-econ-mcp
# 或者清除缓存后重新运行（Windows PowerShell）：
rm -r -force $env:LOCALAPPDATA\uv\cache\wheels; uvx aigroup-econ-mcp
# macOS/Linux清除缓存：
rm -rf ~/.cache/uv/wheels && uvx aigroup-econ-mcp
💡 提示 如果遇到“始终运行旧版本”的问题，请查看故障排除中的“UVX缓存问题”解决方案。
Roo-Code、通用精神代码和Claude代码配置
添加：
{
"mcpServers": {
"aigroup-econ-mcp": {
"command": "uvx",
"args": ["aigroup-econ-mcp"],
"alwaysAllow": [
"basic_parametric_estimation_ols", "basic_parametric_estimation_mle", "basic_parametric_estimation_gmm",
"causal_difference_in_differences", "causal_instrumental_variables", "causal_propensity_score_matching",
"causal_fixed_effects", "causal_random_effects", "causal_regression_discontinuity",
"causal_synthetic_control", "causal_event_study", "causal_triple_difference",
"causal_mediation_analysis", "causal_moderation_analysis", "causal_control_function",
"causal_first_difference", "ml_random_forest", "ml_gradient_boosting",
"ml_support_vector_machine", "ml_neural_network", "ml_kmeans_clustering",
"ml_hierarchical_clustering", "ml_double_machine_learning", "ml_causal_forest",
"micro_logit", "micro_probit", "micro_multinomial_logit",
"micro_poisson", "micro_negative_binomial", "micro_tobit",
"micro_heckman", "model_diagnostic_tests", "generalized_least_squares",
"weighted_least_squares", "robust_errors_regression", "model_selection_criteria",
"regularized_regression", "simultaneous_equations_model", "time_series_arima_model",
"time_series_exponential_smoothing", "time_series_garch_model", "time_series_unit_root_tests",
"time_series_var_svar_model", "time_series_cointegration_analysis", "panel_data_dynamic_model",
"panel_data_diagnostics", "panel_var_model", "structural_break_tests",
"time_varying_parameter_models"
]
}
}
}
✨ 核心功能 - 66种专业工具
1. 基础参数估计（3项）
解决变量间建立基本参数关系并进行估计的问题。
- 普通最小二乘法（OLS） -
basic_parametric_estimation_ols - 最大似然估计（MLE） -
basic_parametric_estimation_mle - 广义矩估计（GMM） -
basic_parametric_estimation_gmm
2. 因果识别策略（13项）
识别非实验数据中变量间的因果关系（解决内生性问题）。
- 双重差分法（DID） -
causal_difference_in_differences - 工具变量法（IV/2SLS） -
causal_instrumental_variables - 倾向得分匹配（PSM） -
causal_propensity_score_matching - 固定效应模型 -
causal_fixed_effects - 随机效应模型 -
causal_random_effects - 回归不连续设计（RDD） -
causal_regression_discontinuity - 合成控制法 -
causal_synthetic_control - 事件研究法 -
causal_event_study - 三重差分法（DDD） -
causal_triple_difference - 中介效应分析 -
causal_mediation_analysis - 调节效应分析 -
causal_moderation_analysis - 控制函数法 -
causal_control_function - 一阶差分模型 -
causal_first_difference
3. 分解分析（3项）
分析变量差异的来源和组成部分。
- Oaxaca Blinder分解 -
decomposition_oaxaca_blinder - 方差分解（ANOVA） -
decomposition_variance_anova - 时间序列分解 -
decomposition_time_series
4. 机器学习方法（8项）
处理高维数据、复杂模式识别、预测，并为因果推断提供辅助工具。
- 随机森林 -
ml_random_forest - 梯度提升机 -
ml_gradient_boosting - 支持向量机 -
ml_support_vector_machine - 神经网络 -
ml_neural_network - K均值聚类 -
ml_kmeans_clustering - 层次聚类 -
ml_hierarchical_clustering - 双机器学习 -
ml_double_machine_learning - 因果森林 -
ml_causal_forest
5. 微观经济计量模型（7项）
建模因变量或数据结构的内在特征。
- Logit模型 -
micro_logit - Probit模型 -
micro_probit - 多项Logit -
micro_multinomial_logit - 泊松回归 -
micro_poisson - 负二项回归 -
micro_negative_binomial - Tobit模型 -
micro_tobit - Heckman选择模型 -
micro_heckman
6. 缺失数据处理（2项）
处理数据缺失问题以确保分析的完整性。
- 简单插补 -
missing_data_simple_imputation - 多重插补（MICE） -
missing_data_multiple_imputation
7. 模型规范、诊断和稳健推断（7项）
当基本模型的理想假设不成立时，修订模型或调整推断；诊断和选择模型。
- 模型诊断测试 -
model_diagnostic_tests - 广义最小二乘法（GLS） -
generalized_least_squares - 加权最小二乘法（WLS） -
weighted_least_squares - 稳健标准误差回归 -
robust_errors_regression - 模型选择准则 -
model_selection_criteria - 正则化回归 -
regularized_regression - 联立方程模型 -
simultaneous_equations_model
8. 非参数方法（4项）
一种不依赖于特定函数形式的灵活建模方法。
- 核回归 -
nonparametric_kernel_regression - 分位数回归 -
nonparametric_quantile_regression - 样条回归 -
nonparametric_spline_regression - 广义加性模型（GAM） -
nonparametric_gam_model
9. 空间经济计量学（6项）
分析具有空间依赖性的数据。
- 空间权重矩阵 -
spatial_weights_matrix - Moran's I检验 -
spatial_morans_i_test - Geary's C检验 -
spatial_gearys_c_test - 局部Moran's I（LISA） -
spatial_local_moran_lisa - 空间回归模型 -
spatial_regression_model - 地理加权回归（GWR） -
spatial_gwr_model
10. 统计推断（2项）
基于重采样的统计推断方法。
- 自助法 -
inference_bootstrap - 置换检验 -
inference_permutation_test
11. 时间序列和面板数据（11项）
分析具有时间维度的数据的动态依赖性、预测和非平稳性。
- ARIMA模型 -
time_series_arima_model - 指数平滑法 -
time_series_exponential_smoothing - GARCH波动模型 -
time_series_garch_model - 单位根检验 -
time_series_unit_root_tests - VAR/SVAR模型 -
time_series_var_svar_model - 协整分析 -
time_series_cointegration_analysis - 动态面板模型 -
panel_data_dynamic_model - 面板数据诊断 -
panel_data_diagnostics - 面板VAR模型 -
panel_var_model - 结构突变检验 -
structural_break_tests - 时变参数模型 -
time_varying_parameter_models
🔧 完整工具列表（66项）
基础参数估计（3项）
| 工具 | 功能 | 主要参数 | 输出 |
|---|---|---|---|
basic_parametric_estimation_ols | OLS回归分析 | y_data, x_data, file_path | R², 系数, t统计量, p值, 置信区间 |
basic_parametric_estimation_mle | 最大似然估计 | data, file_cath, distribution | 参数估计, 标准误差, 置信区间 |
basic_parametric_estimation_gmm | 广义矩估计 | y_data, x_data, instruments | GMM系数, J统计量, p值 |
因果推断（13项）
| 工具 | 功能 | 主要参数 | 输出 |
|---|---|---|---|
causal_difference_in_differences | 双重差分法 | treatment, time_period, outcome | 处理效果, 时间效果 |
causal_instrumental_variables | 工具变量法 | y_data, x_data, instruments | 2SLS系数, 弱工具变量检验 |
causal_propensity_score_matching | 倾向得分匹配 | treatment, outcome, covariates | 处理效果, 匹配统计量 |
causal_fixed_effects | 固定效应模型 | y_data, x_data, element_ids | R², 系数, F统计量 |
causal_random_effects | 随机效应模型 | y_data, x_data, element_ids | R², 系数, 随机效应方差 |
causal_regression_discontinuity | 回归断点设计 | runningvary, outcome, cutoff | 局部平均处理效果 |
causal_synthetic_control | 合成控制法 | outcome, treatment_period, donor_units | 合成权重, 处理效果 |
causal_event_study | 事件研究法 | outcome, treatment, event_time | 动态处理效果 |
causal_triple_difference | 三重差分法 | outcome, treatment_group, cohort | 三重差分效果 |
causal_mediation_analysis | 中介效应分析 | outcome, treatment, mediator | 直接效应, 间接效应 |
causal_moderation_analysis | 调节效应分析 | outcome, predictor, moderator | 交互效应, 条件效应 |
causal_control_function | 控制函数法 | y_data, x_data, z_data | 控制函数估计 |
causal_first_difference | 一阶差分模型 | y_data, x_data, element_ids | 差分系数, 标准误差 |
机器学习（8项）
| 工具 | 功能 | 主要参数 | 输出 |
|---|---|---|---|
ml_random_forest | 随机森林 | X_data, y_data, problemotype | R², 特征重要性, 预测准确性 |
ml_gradient_boosting | 梯度提升机 | X_data, y_data, Algorithm | R², 特征重要性, 预测准确性 |
ml_support_vector_machine | 支持向量机 | X_data, y_data, kernel | R², 支持向量, 预测准确性 |
ml_neural_network | 神经网络 | X_data, y_data, hidden_layer_sizes | R², 网络权重, 预测准确性 |
ml_kmeans_clustering | K均值聚类 | X_data, n_clusters | 聚类中心, 聚类标签, 轮廓系数 |
ml_hierarchical_clustering | 层次聚类 | X_data, n_clusters, linkage | 聚类树, 聚类标签 |
ml_double_machine_learning | 双机器学习 | X_data, y_data, d_data | 处理效果, 置信区间 |
ml_causal_forest | 因果森林 | X_data, y_data, w_data | 异质性处理效果, 特征重要性 |
微观测量（7项）
| 工具 | 功能 | 主要参数 | 输出 |
|---|---|---|---|
micro_logit | Logit回归 | X_data, y_data | 伪R², 系数, OR值, p值 |
micro_probit | Probit回归 | X_data, y_data | 伪R², 系数, 边际效应, p值 |
micro_multinomial_logit | 多项Logit | X_data, y_data | 伪R², 系数, 相对风险比 |
micro_poisson | 泊松回归 | X_data, y_data | 伪R², 系数, 发病率比 |
micro_negative_binomial | 负二项回归 | X_data, y, distr | 伪R², 系数, 超离散参数 |
micro_tobit | Tobit模型 | X_data, y_data, boundaries | 系数, 边际效应, p值 |
micro_heckman | Heckman选择模型 | X_select_data, Z_data, s_data | 选择方程, 结果方程系数 |
模型规范和诊断（7项）
| 工具 | 功能 | 主要参数 | 输出 |
|---|---|---|---|
model_diagnostic_tests | 模型诊断测试 | y_data, x_data | 异方差性, 自相关性, 正态性, VIF检验 |
generalized_least_squares | GLS回归 | y_data, x_data, sigma | GLS系数, 标准误差, 置信区间 |
weighted_least_squares | WLS回归 | y_data, x_data, weights | WLS系数, 权重统计量 |
robust_errors_regression | 稳健标准误差 | y_data, x_data, cov_type | 稳健标准误差, 检验统计量 |
model_selection_criteria | 模型选择 | y_data, x_data, cv_folds | AIC, BIC, HQIC, 交叉验证 |
regularized_regression | 正则化回归 | y_data, x_data, method | 正则化系数, 特征选择 |
simultaneous_equations_model | 联立方程模型 | y_data, x_data, instruments | 2SLS系数, 方程系统 |
时间序列和面板数据（11项）
|工具 | 功能 | 主要参数