快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

命令预览

uvx aigroup-econ-mcp

详细介绍

美国国际集团经济公司

![License: MIT](./LICENSE) ![Python](https://www.python.org/) ](https://github.com/jackdark425/aigroup-econ-mcp) ![Tools](https://github.com/jackdark425/aigroup-econ-mcp)

计量经济学MCP服务器，用于回归、因果推理、时间序列、面板数据、机器学习和更广泛的统计分析工作流程。

概述

aigroup-econ-mcp 是一个面向计量经济学的专业MCP服务器，旨在帮助AI助手和MCP客户端进行结构化定量分析。

它包括：

参数估计与回归分析
因果推理工作流程
微观计量经济学和面板数据
时间序列和波动率模型
计量经济学任务的机器学习
空间计量经济学、分解和推理工具

亮点

66个专业工具 跨核心计量经济学领域
多种输入格式 包括CSV、JSON、TXT和Excel
多种输出格式 包括JSON、Markdown和文本
支持MCP客户端 例如RooCode、与Claude兼容的工具和其他MCP主机
方法覆盖范围广 从OLS和IV到ARIMA、GARCH、GAM和因果林
专为研究和应用分析而设计 而不是狭隘的单任务工作流

工具组

服务器目前将其66个工具分为以下类别：

基本参数估计 --OLS、MLE、GMM
因果推断 --DID、IV、PSM、固定/随机效应、RDD、综合控制、事件研究等
分解分析 --Oaxaca Blinder，方差分析，时间序列分解
机器学习 --随机林、梯度增强、SVM、神经网络、聚类、DML、因果林
个体经济计量学 --logit、probit、多项式logit、泊松、负二项式、Tobit、Heckman
缺失数据处理 --简单插补与MICE
模型诊断和稳健推理 --规范测试、GLS、WLS、鲁棒误差、正则化、联立方程
无母数方法 --核回归、分位数回归、样条回归、GAM
空间计量经济学 --权重矩阵、莫兰I、吉尔里C、LISA、空间回归、GWR
统计推断 --引导和置换测试
时间序列和面板数据 --ARIMA、指数平滑、GARCH、单位根检验、VAR/SVAR、协整、动态面板、面板VAR、结构断裂、时变参数模型

快速开始

需求

Python>=3.10
uvx 建议使用最简单，或 pip

用uvx跑步

uvx aigroup-econ-mcp

如果 uvx 继续使用较旧的缓存版本：

uvx --no-cache aigroup-econ-mcp

使用pip安装

pip install aigroup-econ-mcp
aigroup-econ-mcp

macOS用户：为XGBoost支持的工具安装libomp

机器学习工具的一个子集链接到 xgboost，这需要 OpenMP运行时(libomp.dylib)在进口时。没有它，这四个工具返回一个 tool_unavailable payload，即使服务器本身启动良好：

ml_kmeans_clustering
ml_hierarchical_clustering
ml_double_machine_learning
ml_causal_forest

使用Homebrew安装一次：

brew install libomp

Linux/Windows用户不受影响——xgboost wheels捆绑或定位自动打开MP。

MCP客户端配置

兼容Claude的MCP客户端/RooCode/类似工具

{
  "mcpServers": {
    "aigroup-econ-mcp": {
      "command": "uvx",
      "args": ["aigroup-econ-mcp"]
    }
  }
}

输入和输出支持

支持的输入格式

CSV文件
JSON
TXT
Excel(.xlsx, .xls)

典型使用模式：

直接结构化数据输入
原始文件内容输入
本地文件路径输入

支持的输出格式

json （默认值--结构化Pydantic结果序列化）
markdown （人类可读的表格和系数星）
text （紧凑型 str(model.model_dump()) 回退）

示例用例

OLS与广义回归建模
差异中的差异与工具变量分析
匹配和回归不连续工作流程
随机森林/梯度增强/因果森林分析
ARIMA、GARCH、VAR和协整建模
面板诊断和动态面板估计

调用工具

每个工具都接受参数内联（直接名单）或 从一个文件 通过 file_path服务器返回一个JSON字符串；关于失败有效载荷具有均匀性 {"ok": false, "error": {...}} 形状。

内联：OLS回归

{
  "name": "basic_parametric_estimation_ols",
  "arguments": {
    "y_data": [1.0, 2.1, 2.9, 4.1, 5.0, 5.9, 7.1, 8.0, 8.9, 10.1],
    "x_data": [[1.0], [2.0], [3.0], [4.0], [5.0],
               [6.0], [7.0], [8.0], [9.0], [10.0]],
    "output_format": "json"
  }
}

基于文件：CSV的因果DID

CSV的第一列是因变量(y_data)，其余的是协变量(x_data).对于特定于域的密钥，如 treatment, time_period, outcome，供应a .json 文件：

// policy.json
{"treatment": [0,0,1,1,0,0,1,1],
 "time_period": [0,1,0,1,0,1,0,1],
 "outcome":    [4.1,4.8,3.9,5.6,4.0,4.7,3.8,5.5]}

{
  "name": "causal_difference_in_differences",
  "arguments": {"file_path": "policy.json", "output_format": "markdown"}
}

时间序列：ARIMA预测

{
  "name": "time_series_arima_model",
  "arguments": {
    "data": [/* monthly observations */],
    "order": [1, 1, 1],
    "forecast_steps": 6,
    "output_format": "markdown"
  }
}

口译 `fit_warnings`

几个型号返回一个 fit_warnings 阵列。非空值表示统计数据是一个备用占位符——用护理。例如，具有奇异Hessian的Cox回归：

{
  "coefficients": [...],
  "std_errors": [1.0, 1.0, 1.0],
  "p_values":   [1.0, 1.0, 1.0],
  "fit_warnings": [
    "Hessian inversion failed; std_errors are placeholder 1.0 — Z/p values below are not real"
  ]
}

看见 p=1.0 没有警告意味着“不重要”；与a相同警告意味着“无法计算”。

调试模式

集 AIGROUP_ECON_MCP_DEBUG=1 在启动服务器之前，包括 Python在结构化错误负载内进行回溯——在以下情况下很有用开发新的MCP客户端。

项目结构

aigroup-econ-mcp/
├── aigroup_econ_mcp/       # MCP server + CLI
│   ├── cli.py              #   argparse entry point
│   ├── server.py           #   FastMCP wire-up
│   ├── registry.py         #   ToolSpec registry
│   ├── _registrations.py   #   all 66 tools registered here
│   └── errors.py
├── tools/                  # adapter layer (I/O + formatting)
├── econometrics/           # algorithms
├── resources/
├── prompts/
├── docs/
│   ├── ARCHITECTURE.md
│   ├── PUBLISHING.md
│   └── TESTING.md
├── tests/
├── CHANGELOG.md
└── pyproject.toml

看 docs/ARCHITECTURE.md 对于层边界以及如何添加新工具。

发展

uv sync
uv run pytest           # full suite, ~12 s (271 tests)
uv run pytest -m "not slow"   # fast iteration, ~1.5 s (264 tests)
uv run ruff check .
uv run ruff format .

所有66个注册工具都包含在一个四层测试金字塔中：注册形状→ 烟→ 数学正确性（已知DGP）→ 真正的MCP stdio协议。看 docs/VERIFICATION.md 对于测试范式、地面真实DGP、容差理论基础，以及这种方法已经出现了9个真正的错误记录。看 docs/TESTING.md 用于快速运行命令和测试文件布局。

故障排除

uvx解析旧版本

uvx 每个版本都有缓存，因此如果未获取已发布的版本：

uvx --refresh aigroup-econ-mcp
# or
uv cache clean

许可和使用

该项目发布于 MIT许可证.

请记住：

软件已提供 “原样”，不提供任何形式的保证
您必须在软件的副本或大部分中保留相关的版权和许可声明
统计结果仍然取决于数据质量、假设和用户正确的方法选择

请参阅全文许可证.

致谢

核心科学生态系统

状态模型 --统计建模基础
熊猫 --数据操作和表格工作流程
scikit学习 --机器学习组件
线性模型 --面板数据与计量经济学建模支持
拱门 --波动率与ARCH/GARCH模型

社区与协议生态系统

模型上下文协议 --MCP集成模型
更广泛的计量经济学和开源科学计算社区

支持

问题：https://github.com/jackdark425/aigroup-econ-mcp/issues
存储库：https://github.com/jackdark425/aigroup-econ-mcp
PyPI出版指南： PYPI_PUBLISH_GUIDE.md

目录标签

机器学习PythonClaude计量经济学本地部署统计分析研究工具数据科学

支持客户端

Claude

接入字段

传输方式（transport，传输协议）

stdio

鉴权方式（authType，认证方式）

none

运行时（runtime，运行环境）

Python

工具数量（toolCount，工具数）

7

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

stdionone部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

来源信息

MCP World

mcpworld.com

/detail/2c6b46b694296c6a5541fcbcb110f6f1

用于回归分析、因果推断、时间序列、面板数据和机器学习等计量经济学分析的专业MCP服务器

继续浏览同类 MCP

更多运维云端 MCP（13,854）返回 MCP 目录

上一个 MCP

AI Governance MCP 0cb86fc8

一个为AI助手提供实时全球AI治理法律、法规和政策框架访问的模型上下文协议(MCP)服务器。

下一个 MCP

A Ihelp AI MCP

基于Model Context Protocol (MCP)的服务器，允许AI代理通过MCP协议向其他配置好的大型语言模型（LLM）请求帮助或咨询。

Aigroup Econ MCP