rigor

AI 에이전트를 위한 검증된 통계적 추론.

LLM은 통계를 인용하는 데는 능숙하지만, 실제로 신뢰할 수 있게 수행하는 데는 취약합니다 — t-통계량이나 필요한 표본 크기는 훈련 데이터에서 기억해낸 숫자일 뿐, 계산되고 검증된 값이 아닙니다. rigor는 그 대안입니다: 고전적 가설 검정, 효과 크기, 검정력/표본 크기 계산, 다중 비교 교정을 처음부터 계산하여 인용과 가정 점검이 포함된 답변으로 반환합니다.

MCP 서버로 구축되었습니다: 현재 MCP 생태계를 조사한 결과(Context7 코딩 문서, 여러 물리/공학/화학/지리 서버, 심지어 Bentley의 STAAD 통합) 통계/실험 설계가 아직 아무도 다루지 않은 몇 안 되는 공통 에이전트 요구 사항 중 하나임을 발견했습니다.

통계 자체(rigor/distributions.py, inference.py, effect_size.py, power.py, corrections.py)는 순수 표준 라이브러리로, 의존성이 없습니다. 패키지 전체는 공식 mcp SDK에 의존합니다. MCP 서버가 부가 기능이 아닌 제공되는 기능의 일급 구성 요소이기 때문입니다. -- 설치를 참조하세요.

Install

pip install rigor-mcp

(PyPI 배포판은 rigor-mcp입니다. 일반 rigor는 관련 없는 패키지가 이미 사용 중이기 때문입니다. 임포트 가능한 패키지와 CLI 명령어는 모두 여전히 rigor입니다.) 이렇게 하면 두 가지 콘솔 명령어인 rigor(CLI)와 rigor-mcp(MCP 서버)를 모두 얻을 수 있습니다. 의도적으로 하나의 설치로, 추가 기능을 설정할 필요가 없습니다. uvx rigor-mcp(대부분의 MCP 클라이언트가 실제로 호출하는 방식)가 추가 기능을 요청할 방법이 없기 때문입니다.

Related MCP server: Dr. QuantMaster MCP Server

What's in it

• rigor/distributions.py — t, 카이제곱, F 분포를 stdlib(정규화된 불완전 감마/베타) 위에서 처음부터 구축했으며, 신뢰된 전사가 아닌 정확한 폐쇄형 항등식(t(1) = 코시, chi2(2) = 스케일된 지수, t² = F(1, df))에 대해 검증되었습니다.

• rigor/inference.py — 단일/이중 표본 및 대응 t-검정, 단일/이중 비율 z-검정, 카이제곱 적합도 및 독립성, 일원 분산 분석(ANOVA). 각각은 TestResult를 반환합니다: 통계량, 자유도, 양측 p-값, 신뢰 구간, 인용, 및 가정 경고(예: 작은 n의 정규성 의존성, 낮은 기대 셀 수).

• rigor/effect_size.py — Cohen's d, Hedges' g, Cohen's h, Cramér's V.

• rigor/power.py — 이중 표본 t-검정과 이중 비율 z-검정에 대한 검정력 및 필요한 표본 크기. 두 방향(n이 주어졌을 때 검정력 찾기, 검정력이 주어졌을 때 n 찾기)은 구성상 서로 정확한 수치적 역관계(동일한 기본 검정력 함수에 대한 이분법)이며, Cohen(1988) d=0.5/α=.05/검정력=.80 교과서 참조 사례(n≈64)에 대해 검증되었습니다.

• rigor/corrections.py — 본페로니와 벤자미니-호흐베르크(FDR) 다중 비교 교정.

• rigor/cli.py — 위의 모든 기능에 대한 CLI (저장소 루트의 rigor.py는 얇은 심(shim)이므로 python3 rigor.py ...가 아무것도 설치하지 않고 일반 체크아웃에서도 작동합니다).

• rigor/mcp_server.py — 모든 17개 연산을 모든 MCP 클라이언트(Claude Code, Claude Desktop 등)에 노출하는 MCP 도구 래퍼. 실제 클라이언트에 대해 stdio를 통한 종단 간 스모크 테스트 완료 — 도구 검색 및 대표 호출이 알려진 참조 값에 대해 확인되었으며, 전체 왕복이 Cohen(1988) 사례를 n=63에서 여전히 도달하는 것을 포함합니다.

Usage

CLI, 설치 후:

rigor ttest one-sample --data 5.1,4.9,5.3,5.0,4.8,5.2 --mu0 5.0
rigor power ttest-2samp --effect-size 0.5 --power 0.8
rigor --help   # full list of subcommands (ttest, ztest, chi2, anova, effect-size, power, correct)

또는 아무것도 설치하지 않고 체크아웃에서 바로:

python3 rigor.py ttest one-sample --data 5.1,4.9,5.3,5.0,4.8,5.2 --mu0 5.0

MCP 서버, stdio를 통해 (Claude Code와 같은 로컬 클라이언트가 기대하는 전송 방식):

pip install rigor-mcp
rigor-mcp

또는 체크아웃에서: pip install mcp && python3 -m rigor.mcp_server.

Claude Code에 등록:

claude mcp add rigor -- rigor-mcp

(또는 체크아웃에서: claude mcp add rigor -- python3 -m rigor.mcp_server, 이 저장소의 루트에서 또는 절대 모듈 경로로 실행).

MCP Inspector로 대화형 탐색을 하려면 설치된 명령어 대신 스크립트로 실행하세요. Inspector가 파일을 직접 임포트하므로 패키지 루트를 수동으로 경로에 추가해야 합니다:

pip install "mcp[cli]"
PYTHONPATH=. mcp dev rigor/mcp_server.py

A transport-level edge case, handled

cohens_d는 분산이 0인 표본에 대해 (자체 문서화된 계약에 따라) +inf/-inf를 올바르게 반환하지만, 유한하지 않은 부동소수점은 MCP의 구조화된 콘텐츠를 통해 JSON null로 직렬화됩니다. 이로 인해 도구 자체의 숫자형 출력 스키마가 실패하고 호출이 중단되었습니다. 이제 MCP cohens_d 도구는 단순한 부동소수점 대신 {"value": float | null, "warnings": [...]}를 반환하므로, 해당 경우가 (null 값, 방향을 명시하는 경고) 폭발하지 않고 명시적으로 보고됩니다. 여기에 있는 다른 모든 숫자 도구는 유효한 입력에 대해 유계이고 항상 유한하므로, 이 처리는 cohens_d에만 해당됩니다.

Tests

python3 -m unittest discover -s tests -v

70개의 테스트: 65개는 통계를 직접 실행하고, 5개는 실제 MCP 클라이언트처럼 mcp_server.py를 생성하여 결과를 네트워크를 통해 확인합니다(mcp가 설치되지 않은 경우 자동으로 건너뜁니다).

License

MIT — LICENSE 참조.