R Econometrics MCP Server

Servidor R MCP

Un servidor de Protocolo de Contexto de Modelo (MCP) que proporciona capacidades avanzadas de modelado econométrico y análisis de datos a través de R. Este servidor permite a los asistentes de IA realizar análisis econométricos y estadísticos sofisticados sin problemas, lo que le ayuda a obtener rápidamente información de sus datos.

Related MCP server: aigroup-econ-mcp

Características

• Regresión lineal: ejecute modelos lineales con errores estándar robustos opcionales.

• Análisis de datos de panel: Estime modelos de efectos fijos, efectos aleatorios, agrupamiento, entre y de primera diferencia.

• Variables Instrumentales: Construir y estimar modelos de regresión IV.

• Pruebas de diagnóstico: evalúan la heterocedasticidad, la autocorrelación y la especificación incorrecta del modelo.

• Estadísticas descriptivas: genere estadísticas de resumen para conjuntos de datos utilizando la funcionalidad summary() de R.

• Análisis de correlación: Calcule correlaciones de Pearson o Spearman entre variables.

• Agregaciones agrupadas: agrupe datos por columnas específicas y calcule estadísticas de resumen utilizando dplyr.

• Recursos: Acceda a documentación de referencia para diversas técnicas econométricas.

• Indicaciones: utilice plantillas de indicaciones predefinidas para análisis econométricos comunes.

Instalación

Uso de Docker (recomendado)

1. Construya la imagen de Docker:

   docker build -t r-econometrics-mcp .

2. Ejecute el contenedor:

docker run -it r-econometrics-mcp

Instalación manual

Instale los paquetes de Python necesarios:

pip install -r requirements.txt

Instale los paquetes R necesarios (si ejecuta el servidor fuera de un contenedor):

install.packages(c("plm", "lmtest", "sandwich", "AER", "jsonlite"), repos="https://cloud.r-project.org/")

Ejecutar el servidor:

python rmcp.py

Uso

El servidor se comunica mediante entrada/salida estándar. Al ejecutar:

python rmcp.py

Se inicia y espera mensajes JSON en la entrada estándar. Para probar el servidor manualmente, cree un archivo (por ejemplo, test_request.json) con un mensaje JSON compacto (de una sola línea).

Prueba de ejemplo

Cree test_request.json con el siguiente contenido (un JSON de una línea):

{"tool": "linear_model", "args": {"formula": "y ~ x1", "data": {"x1": [1,2,3,4,5], "y": [1,3,5,7,9]}, "robust": false}}

Luego ejecuta:

cat test_request.json | python rmcp.py

Producción

{"coefficients": {"(Intercept)": -1, "x1": 2}, "std_errors": {"(Intercept)": 2.8408e-16, "x1": 8.5654e-17}, "t_values": {"(Intercept)": -3520120717017444, "x1": 23349839270207356}, "p_values": {"(Intercept)": 5.0559e-47, "x1": 1.7323e-49}, "r_squared": 1, "adj_r_squared": 1, "sigma": 2.7086e-16, "df": [2, 3, 2], "model_call": "lm(formula = formula, data = data)", "robust": false}

Uso con Claude Desktop

1. Iniciar Claude Desktop

2. Abra el panel Servidores MCP

3. Agregue un nuevo servidor con la siguiente configuración:

   • Nombre: R Econometría

   • Transporte: stdio

   • Comando: ruta/a/python r_econometrics_mcp.py

   • (O si usa Docker): docker run -i r-econometrics-mcp

Consultas de ejemplo

A continuación se muestran algunos ejemplos de consultas que puedes usar con Claude una vez que el servidor esté conectado:

Regresión lineal

Can you analyze the relationship between price and mpg in the mtcars dataset using linear regression?

Análisis de datos de panel

I have panel data with variables gdp, investment, and trade for 30 countries over 20 years. Can you help me determine if a fixed effects or random effects model is more appropriate?

Variables instrumentales

I'm trying to estimate the causal effect of education on wages, but I'm concerned about endogeneity. Can you help me set up an instrumental variables regression?

Pruebas de diagnóstico

After running my regression model, I'm concerned about heteroskedasticity. Can you run appropriate diagnostic tests and suggest corrections if needed?

Referencia de herramientas

modelo lineal

Ejecutar un modelo de regresión lineal.

Parámetros :

• formula (cadena): La fórmula de regresión (por ejemplo, 'y ~ x1 + x2')

• data (objeto): conjunto de datos como diccionario/objeto JSON

• robust (booleano, opcional): si se deben utilizar errores estándar robustos

modelo_de_panel

Ejecutar un modelo de datos de panel.

Parámetros :

• formula (cadena): La fórmula de regresión (por ejemplo, 'y ~ x1 + x2')

• data (objeto): conjunto de datos como diccionario/objeto JSON

• index (matriz): variables de índice del panel (por ejemplo, ['individual', 'tiempo'])

• effect (cadena, opcional): Tipo de efectos: 'individual', 'temporal' o 'bidireccional'

• model (cadena, opcional): Tipo de modelo: 'dentro', 'aleatorio', 'agrupación', 'entre' o 'fd'

diagnósticos

Realizar diagnósticos del modelo.

Parámetros :

• formula (cadena): La fórmula de regresión (por ejemplo, 'y ~ x1 + x2')

• data (objeto): conjunto de datos como diccionario/objeto JSON

• tests (matriz): pruebas a ejecutar (por ejemplo, ['bp', 'reset', 'dw'])

iv_regresión

Estimar regresión de variables instrumentales.

Parámetros :

• formula (cadena): la fórmula de regresión (por ejemplo, 'y ~ x1 + x2 | z1 + z2')

• data (objeto): conjunto de datos como diccionario/objeto JSON

Recursos

• econometrics:formulas : información sobre formulaciones comunes de modelos econométricos

• econometrics:diagnostics : Referencia para pruebas diagnósticas

• econometrics:panel_data : Guía para el análisis de datos de panel en R

Contribuyendo

¡Agradecemos sus contribuciones! No dude en enviar una solicitud de incorporación de cambios.

Licencia

Licencia MIT