Diese Magisterarbeit untersucht die Vorhersagegenauigkeit von Bayesian Structural Time Series (BSTS) Modellen in empirischen Nowcasting- und Forecasting-Anwendungen. Im ersten Teil werden Google Trends-Daten herangezogen um Nowcasts des deutschen Umsatzindex für den Versand- und Internet-Einzelhandel zu erstellen. Im Zuge dessen werden Out-of-Sample Prognosen von BSTS-Modellen mit jenen eines schrittweisen Regressionsmodells verglichen. Um die Forecast-Genauigkeit mit anderen bedeutenden Zeitreihenmodellen zu vergleichen, werden im zweiten Teil BSTS-Modelle auf die Daten der M3-Competition angewandt. Die Ergebnisse zeigen, dass BSTS-Modelle eine ausgesprochen gute Performance aufweisen – insbesondere im Bezug auf die M3-Competition rangieren die BSTS-Modelle unter jenen Methoden mit der höchsten Genauigkeit.

This thesis analyses the predictive accuracy of Bayesian Structural Time Series (BSTS) models in empirical nowcasting and forecasting applications. In the first part Google Trends-data are used to nowcast the index of German retail sales via mail order houses or via Internet. Therefore, out-of-sample predictions of BSTS-models are compared to those of a stepwise regression model. In the second part BSTS-models are applied to the M3-Competition data to compare the forecast accuracy to other major time series methods. The results indicate that the BSTS-models perform exceptionally well in both applications – especially with respect to the M3-Competition BSTS rank among the top-performing methods.