eviews应该作不了那种情况
stata可以

Example 17.4: Duration of Recidivism

use http://fmwww.bc.edu/ec-p/data/wooldridge/RECID, clear
cnreg ldurat workprg priors tserved felon alcohol drugs black married educ age, censored(cens)


Censored normal regression                        Number of obs   =       1445
                                                  LR chi2(10)     =     166.74
                                                  Prob > chi2     =     0.0000
Log likelihood =  -1597.059                       Pseudo R2       =     0.0496

------------------------------------------------------------------------------
      ldurat |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
     workprg |  -.0625715   .1200369    -0.52   0.602    -.2980382    .1728951
      priors |  -.1372529   .0214587    -6.40   0.000    -.1793466   -.0951592
     tserved |  -.0193305   .0029779    -6.49   0.000    -.0251721    -.013489
       felon |   .4439947   .1450865     3.06   0.002     .1593903    .7285991
     alcohol |  -.6349093   .1442166    -4.40   0.000    -.9178072   -.3520113
       drugs |  -.2981602   .1327356    -2.25   0.025    -.5585367   -.0377836
       black |  -.5427179   .1174428    -4.62   0.000    -.7730958     -.31234
     married |   .3406837   .1398431     2.44   0.015      .066365    .6150024
        educ |   .0229196   .0253974     0.90   0.367    -.0269004    .0727395
         age |   .0039103   .0006062     6.45   0.000     .0027211    .0050994
       _cons |   4.099386   .3475351    11.80   0.000     3.417655    4.781117
-------------+----------------------------------------------------------------
         _se |    1.81047   .0623022           (Ancillary parameter)
------------------------------------------------------------------------------

  Obs. summary:        552     uncensored observations
                       893 right-censored observations


Change in durat if a man serves for a felony

mfx compute, nose

Marginal effects after cnreg
      y  = Fitted values (predict)
         =  4.8341597
-------------------------------------------------------------------------------
                        variable |          dy/dx                 X
---------------------------------+---------------------------------------------
                         workprg*|       -.0625715            .465052
                          priors |       -.1372529            1.43183
                         tserved |       -.0193305            19.1820
                           felon*|        .4439947            .314187
                         alcohol*|       -.6349093            .209689
                           drugs*|       -.2981602            .241522
                           black*|       -.5427179            .485121
                         married*|        .3406837            .255363
                            educ |        .0229196            9.70242
                             age |        .0039103            345.436
-------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1


mat pct=e(Xmfx_dydx)
matmap pct pct, m(100*(exp(@)-1))
mat list pct

pct[1,10]
       workprg      priors     tserved       felon     alcohol       drugs
r1  -6.0654125  -12.825026  -1.9144899   55.892217  -47.001643  -25.781754

         black     married        educ         age
r1  -41.883343   40.590851   2.3184231   .39179407

非常感谢，那我是不是该去学stata呢？我现在只会eviews哦，你觉得我有必要再去学stata吗？

反正各个软件有自己的长处，看自己的需要

是不是stata有比eviews更高级的功能呢