Using the ADL (1,1) regression $Y _ { t } = \beta _ { 0 } + \beta _ { 1 } Y _ { t - 1 } + \gamma _ { 1 } X _ { t - 1 } + u _ { t }$ the ARCH model for the regression error assumes that u_t is normally distributed with mean zero and variance $\sigma _ { t } ^ { 2 }$ where A) $\sigma _ { t } ^ { 2 } = \alpha _ { 0 } + \alpha _ { 1 } u _ { t - 1 } ^ { 2 } + \alpha _ { 2 } u _ { t - 2 } ^ { 2 } + \ldots + \alpha _ { p } u _ { t - p } ^ { 2 }$ B) $\sigma _ { t } ^ { 2 } = u _ { t - 1 } ^ { 2 } + \ldots + u _ { t - p } ^ { 2 } + \phi _ { 1 } \sigma _ { t - 1 } ^ { 2 } + \ldots + \phi _ { q } \sigma _ { t - q } ^ { 2 }$ C) $\sigma _ { t } ^ { 2 } = \phi _ { 1 } \sigma _ { t - 1 } ^ { 2 } + \ldots + \phi _ { q } \sigma _ { t - q } ^ { 2 }$ D) $\sigma _ { t } ^ { 2 } = \alpha _ { 0 } + \alpha _ { 1 } u _ { t - 1 } ^ { 2 } + \ldots + \alpha _ { p } u _ { t - p } ^ { 2 } + \phi _ { 1 } \sigma _ { t - 1 } ^ { 2 } + \ldots + \phi _ { q } \sigma _ { t - q } ^ { 2 }$

Question

Quizplus · Accepted Answer

The Answer of Using the ADL (1,1) regression $Y _ { t } = \beta _ { 0 } + \beta _ { 1 } Y _ { t - 1 } + \gamma _ { 1 } X _ { t - 1 } + u _ { t }$ the ARCH model for the regression error assumes that u_t is normally distributed with mean zero and variance $\sigma _ { t } ^ { 2 }$ where A) $\sigma _ { t } ^ { 2 } = \alpha _ { 0 } + \alpha _ { 1 } u _ { t - 1 } ^ { 2 } + \alpha _ { 2 } u _ { t - 2 } ^ { 2 } + \ldots + \alpha _ { p } u _ { t - p } ^ { 2 }$ B) $\sigma _ { t } ^ { 2 } = u _ { t - 1 } ^ { 2 } + \ldots + u _ { t - p } ^ { 2 } + \phi _ { 1 } \sigma _ { t - 1 } ^ { 2 } + \ldots + \phi _ { q } \sigma _ { t - q } ^ { 2 }$ C) $\sigma _ { t } ^ { 2 } = \phi _ { 1 } \sigma _ { t - 1 } ^ { 2 } + \ldots + \phi _ { q } \sigma _ { t - q } ^ { 2 }$ D) $\sigma _ { t } ^ { 2 } = \alpha _ { 0 } + \alpha _ { 1 } u _ { t - 1 } ^ { 2 } + \ldots + \alpha _ { p } u _ { t - p } ^ { 2 } + \phi _ { 1 } \sigma _ { t - 1 } ^ { 2 } + \ldots + \phi _ { q } \sigma _ { t - q } ^ { 2 }$

Using the ADL (1,1) Regression Yt=β0+β1Yt−1+γ1Xt−1+utY _ { t } = \beta _ { 0 } + \beta _ { 1 } Y _ { t - 1 } + \gamma _ { 1 } X _ { t - 1 } + u _ { t }Yt​=β0​+β1​Yt−1​+γ1​Xt−1​+ut​

Using the ADL (1,1) Regression $Y _ { t } = \beta _ { 0 } + \beta _ { 1 } Y _ { t - 1 } + \gamma _ { 1 } X _ { t - 1 } + u _ { t }$