Stats Engine Server

一个基于 Model Context Protocol (MCP) 的统计分析服务器，提供 30 个专业统计工具，涵盖描述性统计、假设检验、回归分析和时间序列分析四大模块。所有工具返回 Markdown 格式的分析报告，数组参数以逗号分隔字符串传递，便于 AI 代理直接调用和展示。

特性

• 30 个专业统计工具: 覆盖统计分析全流程
• Markdown 输出: 所有工具返回格式化的 Markdown 字符串，包含表格、统计量和结论解读
• FastMCP 框架: 基于 mcp.server.fastmcp.FastMCP 和 @mcp.tool() 装饰器
• 科学计算引擎: 使用 scipy.stats 和 statsmodels 实现统计计算
• 简洁的参数设计: 数组参数以逗号分隔字符串传递，多组数据以分号分隔
• 自动结论解读: 每个工具都包含基于 p 值和效应量的自动统计结论

安装方法

1. 安装依赖

pip install -r requirements.txt

依赖包列表:

• mcp>=1.0.0 - MCP 协议框架
• scipy - 科学计算
• statsmodels - 统计建模
• numpy - 数值计算
• pandas - 数据处理

2. 配置 MCP 客户端

在 MCP 客户端配置文件中添加以下配置（以 Claude Desktop 为例）:

{
  "mcpServers": {
    "stats-engine": {
      "command": "python",
      "args": ["path/to/mcp-stats-engine/server.py"]
    }
  }
}

3. 启动服务器

python server.py

使用示例

描述性统计

工具: descriptive_statistics_tool
参数: data = "12,15,14,10,18,20,17,16,13,19"

双样本 t 检验

工具: two_sample_ttest_tool
参数:
  group1 = "25,28,30,32,35,27,29,31,33,26"
  group2 = "20,22,24,26,28,21,23,25,27,22"
  equal_var = true

单因素方差分析

工具: anova_test_tool
参数: groups_data = "1,2,3,4,5;2,4,6,8,10;3,5,7,9,11"

OLS 线性回归

工具: ols_regression_tool
参数:
  y_data = "1,2,3,4,5,6,7,8,9,10"
  x_data = "2,4,5,7,9,11,12,14,15,17"

ARIMA 预测

工具: arima_forecast_tool
参数:
  data = "30,28,32,35,33,31,29,27,30,33,36,34,32,30,33,36,38,35,33,31"
  order = "1,0,1"
  forecast_steps = 5

正态性检验

工具: normality_test_tool
参数:
  data = "12,15,14,10,18,20,17,16,13,19,22,25"
  method = "shapiro"

工具列表

辅助工具 (4个)

工具	说明
parse_data_string_tool	数据解析（逗号分隔字符串转数值列表）
confidence_interval_tool	置信区间计算（基于 t 分布）
effect_size_tool	效应量计算（Cohen's d / Glass's delta）
power_analysis_tool	功效分析（样本量计算）

描述性统计 (6个)

工具	说明
descriptive_statistics_tool	描述性统计（均值/中位数/众数/方差/偏度/峰度/四分位数）
frequency_distribution_tool	频数分布表
five_number_summary_tool	五数概括（Min/Q1/Median/Q3/Max）
correlation_analysis_tool	相关分析（Pearson/Spearman/Kendall）
covariance_matrix_tool	协方差矩阵
outlier_detection_tool	异常值检测（IQR/Z-score）

假设检验 (8个)

工具	说明
one_sample_ttest_tool	单样本 t 检验
two_sample_ttest_tool	双样本 t 检验（含 Welch's t 检验）
paired_ttest_tool	配对 t 检验
chi_square_test_tool	卡方检验（拟合优度）
anova_test_tool	单因素方差分析 (ANOVA)
mann_whitney_test_tool	Mann-Whitney U 检验（非参数）
wilcoxon_test_tool	Wilcoxon 符号秩检验（非参数配对）
normality_test_tool	正态性检验（Shapiro-Wilk/K-S）

回归分析 (6个)

工具	说明
ols_regression_tool	OLS 线性回归（一元）
multiple_regression_tool	多元线性回归
logistic_regression_tool	Logistic 回归（统计视角）
weighted_regression_tool	加权最小二乘回归 (WLS)
residual_analysis_tool	残差分析（正态性/独立性/同方差性）
multicollinearity_check_tool	多重共线性检验 (VIF)

时间序列分析 (6个)

工具	说明
decompose_timeseries_tool	时间序列分解（趋势/季节/残差）
acf_pacf_analysis_tool	ACF/PACF 分析
adf_test_tool	ADF 单位根检验
kpss_test_tool	KPSS 平稳性检验
arima_forecast_tool	ARIMA 预测
granger_causality_tool	Granger 因果检验

技术栈

技术	用途
MCP	Model Context Protocol 通信框架
FastMCP	MCP Python 服务器框架
SciPy	科学计算与统计检验 (scipy.stats)
Statsmodels	统计建模 (OLS/WLS/Logit/ARIMA/时间序列)
NumPy	数值计算
Pandas	数据处理

项目结构

mcp-stats-engine/
├── server.py              # 主入口，FastMCP 服务器
├── descriptive_tools.py   # 描述性统计工具（6个）
├── hypothesis_tools.py    # 假设检验工具（8个）
├── regression_tools.py    # 回归分析工具（6个）
├── timeseries_tools.py    # 时间序列工具（6个）
├── utils.py               # 辅助函数（4个工具）
├── README.md              # 项目文档
├── SKILL.md               # SkillHub 技能描述
└── requirements.txt       # 依赖

许可证

MIT License