Anlise de sries temporais em epidemiologia: uma introduo sobre os aspectos metodolgicos Time series analysis in epidemiology: an introduction to methodological

aspects

Resumo
Este um artigo introdutrio sobre anlise de sries temporais, onde se pretende apresentar, de maneira sumria, alguns modelos estatsticos mais utilizados em anlise de sries temporais . Uma srie temporal, tambm denominada srie histrica, uma seqncia de dados obtidos em intervalos regulares de tempo durante um perodo especfico. Na anlise de uma srie temporal, primeiramente deseja-se modelar o fenmeno estudado para, a partir da, descrever o comportamento da srie, fazer estimativas e, por ltimo, avaliar quais os fatores que influenciaram o comportamento da srie, buscando definir relaes de causa e efeito entre duas ou mais sries. Para tanto, h um conjunto de tcnicas estatsticas disponveis que dependem do modelo definido (ou estimado para a srie), bem como do tipo de srie analisada e do objetivo do trabalho. Para analise de tendncias, podem se ajustar modelos de regresso polinomial baseados na srie inteira ou em vizinhana de um determinado ponto. Isso tambm pode ser realizado com funes matemticas. Define-se como um fenmeno sazonal aquele que ocorre regularmente em perodos fixos de tempo e, se existir sazonalidade dita determinstica na srie, podem-se utilizar modelos de regresso que incorporem funes do tipo seno ou cosseno varivel tempo. Os modelos auto-regressivos formam outra classe de modelos. Na anlise do comportamento de uma srie histrica livre de tendncia e de sazonalidade podem ser utilizados modelos auto-regressivos (AR) ou que incorporem mdias mveis (ARMA). Quando h tendncia, utilizam-se os modelos auto-regressivos integrados de mdias mveis (ARIMA) e, para incorporar o componente de sazonalidade, utilizam-se os modelos SARIMA. Por ltimo h os modelos lineares generalizados. Neste grupo de modelos estatsticos, a varivel resposta um processo de contagem e as variveis independentes so variveis candidatas a explicar o comportamento

Maria do Rosrio Dias de Oliveira Latorre

Departamento de Epidemiologia Faculdade de Sade Pblica Universidade de So Paulo Endereo para correspondncia/Correspondence to: Av.Dr. Arnaldo, 715 01246-904 So Paulo - SP e-mail: mdrddola@usp.br

Maria Regina Alves Cardoso

Departamento de Epidemiologia Faculdade de Sade Pblica Universidade de So Paulo

Apoio (bolsa pesquisador)

Conselho Nacional de Desenvolvimento Cientfico e Tecnolgico (CNPq: 300328/97-9)

Bras. Epidemiol. 145 Rev. Vol. 4, N 3, 2001

da srie ao longo do tempo. Estes modelos so indicados quando as variveis em estudo no tm aderncia distribuio normal, principalmente pelo fato de serem processos de contagem . Estes modelos compem um grupo de distribuies de probabilidades conhecido como famlia exponencial de distribuies que englobam diversas funes aditivas, como a regresso linear, de Poisson, logstica, log-linear etc. Os modelos aditivos generalizados so uma extenso desta classe de modelos, nos quais cada varivel independente analisada no entra no modelo com o seu valor, mas sim, adotando uma funo no paramtrica de forma no especificada, estimada a partir de curvas de alisamento. Palavras chave chave: Sries temporais. Sries histricas. Modelos estatsticos. Tendncia. Sazonalidade

Abstract
A time series, also denominated historical series, is a sequence of data obtained in regular intervals of time during a specific period. In the analysis of a time series, one first wants to model the study phenomenon and, from this, to describe the behaviour of the series, to make estimates, and, in the end, to evaluate the factors that may have influenced the behaviour of the series, with the objective of defining cause-effect relationships between two or more series. For this, there is a set of available statistical techniques which depend upon the defined model (or that estimated for the series), the type of the study series, and of the objective of the work. To analyse trends, it is possible to adjust polynomial regression models based on the whole series or on the neighbourhood of a specific point. This can also be done with mathematical functions. A seasonal phenomenon is defined as the one that occurs regularly in fixed periods of time and, if there is seasonality considered as deterministic in the series, one can use regression models which include functions like seno or cosseno to the variable time. In the analysis of the behaviour of a time series without trend and seasonality, the autoregressive models (AR) or models which incorporate moving averages (ARMA) can be used. When trend is present, one can use auto-regressive models integrated with moving averages (ARIMA) and to incorporate the seasonality component the SARIMA models are used. The generalized linear models constitute another class of models. In this group of statistical models, the response variable is a counting process and the independent variables are those which are candidates to explain the behaviour of the series throughout the time. This class of models is indicated when the study variables do not follow the Normal distribution, mainly because they are counting processes. These models represent a group of probability distributions known as exponential family of

Rev. Bras. Epidemiol. Vol. 4, N 3, 2001

de sries temporais em epidemiologia 146 Anlise Latorre, M.R.D.O. & Cardoso, M.R.A.

distributions that incorporates many additive functions like the linear regression, Poisson, logistic, log-linear, etc. The generalized additive models are an extension of this class of models, in which each independent variable analysed does not enter in the model with its own value, but adopting a non parametric function in a non specific manner, which is estimated from smoothing curves. Keywords: Time series. Models, statistical. Trends. Seasonality.

Este nmero da Revista Brasileira de Epidemiologia tem como nfase artigos cientficos que analisaram sries histricas. Este tipo de anlise muito comum em Epidemiologia, quando se pretende analisar o comportamento de algum fenmeno ao longo do tempo. Neste nmero h diversos exemplos de sries histricas e espera-se, com isso, mostrar as inmeras aplicaes da anlise de sries temporais, estimulando os leitores ao aprofundamento das mesmas. Este um artigo introdutrio sobre anlise de sries temporais, onde se pretende apresentar, de maneira sumria, alguns modelos estatsticos mais utilizados No h a pretenso de ser um livro texto, e detalhes de modelagem podem ser vistos nos livros textos indicados nas referncias bibliogrficas.

Definio
Uma srie temporal, tambm denominada srie histrica, uma seqncia de dados obtidos em intervalos regulares de tempo durante um perodo especfico1,2. Este conjunto pode ser obtido atravs de observaes peridicas do evento de interesse como, por exemplo, o valor mximo dirio da concentrao de oznio no ar no Municpio de So Paulo, ou atravs de processos de contagem como o total mensal de bitos por cncer no Rio Grande do Sul. Se a srie histrica for denominada como Z, o valor da srie no momento t pode ser escrito como Zt (t=1,2,...,n). Denomina-se trajetria de um processo, a curva obtida no grfico da srie histrica e o conjunto de todas as possveis trajetrias denominado como um processo estocstico. Considera-se que uma srie temporal uma amostra deste processo. O conjunto de observaes ordenadas no tempo pode ser discreto como o nmero de atendimentos dirios em um Pronto Socorro ou o nmero mensal de casos notificados de uma doena especfica; ou contnuo, como o registro de um eletrocardiograma de uma pessoa ou o registro dos valores de temperatura e umidade ao longo do dia. Pode-se obter uma srie temporal discreta a partir de uma amostra de pontos

Anlise de sries temporais em epidemiologia Latorre, M.R.D.O. & Cardoso, M.R.A.

Bras. Epidemiol. 147 Rev. Vol. 4, N 3, 2001

de uma srie contnua ou por meio de um parmetro como, por exemplo, a mdia de perodos fixos de tempo. Na anlise de uma srie temporal, primeiramente deseja-se modelar o fenmeno estudado para, a partir da, descrever o comportamento da srie, fazer estimativas e, por ltimo, avaliar quais os fatores que influenciaram o comportamento da srie, buscando definir relaes de causa e efeito entre duas ou mais sries. Para tanto, h um conjunto de tcnicas estatsticas disponveis que dependem do modelo definido (ou estimado para a srie), bem como do tipo de srie analisada e do objetivo do trabalho.

Componentes
Uma srie histrica pode ser composta por trs componentes no observveis2,3: tendncia (Tt), sazonalidade (St) e a variao aleatria denominada de rudo branco (at). A primeira escolha para a elaborao de um modelo seria um relacionamento aditivo destes componentes: Zt=Tt+St+at. Pode-se construir, tambm, um modelo multiplicativo (Zt=Tt .St .at) ou realizar-se a transformao log, no modelo multiplicativo, quando ele se transforma no modelo log-linear. Ao analisar uma srie histrica, deve-se estudar cada um destes componentes separadamente, retirando-se o efeito dos outros. Para analisar a tendncia os dois mtodos mais utilizados so: 1) ajuste de uma funo polinomial do tempo e 2) anlise do comportamento da srie ao redor de um ponto, estimando a tendncia naquele ponto2,3. Na primeira opo, utilizam-se os modelos de regresso polinomial e, na ltima, modelos auto-regressivos.

Modelos de regresso polinomial

Nos modelos de regresso polinomial, os valores da srie so considerados como varivel dependente (Y) e os perodos do estudo como varivel independente (X). Primeiramente deve-se fazer o diagrama de disperso de Zt (Y) em relao ao tempo para visualizar qual a funo que mais se ajusta

trajetria do processo: linear, parbola, exponencial etc. Para se evitar a correlao serial entre os termos da equao de regresso, recomenda-se4,5 fazer a transformao da varivel perodo na varivel perodo-centralizada (perodo menos o ponto mdio da srie histrica), estimando-se, ento, o modelo de regresso correspondente. Detalhes do processo de centralizao da varivel tempo podem ser vistos em Latorre5. Os exemplos da aplicao desta tcnica, apresentados neste nmero da Revista Brasileira de Epidemiologia, so os trabalhos de Tom e Latorre6, Hallal e colaboradores7 e Bastos e colaboradores8. Tom e Latorre6 analisaram as tendncias da mortalidade infantil e seus componentes para o Municpio de Guarulhos, no perodo de 1971 a 1998, utilizando modelos de regresso polinomial. Verificaram que apenas no perodo de 1971 a 1980 todos os coeficientes apresentaram tendncias decrescentes estatisticamente significativas. Na srie histrica de 1981 a 1990, somente os coeficientes de mortalidade infantil (p=0,0058), o de mortalidade neonatal tardia (p=0,0105) e da ps-neonatal (p=0,0045) apresentaram tendncias estatisticamente decrescentes, o mesmo acontecendo no perodo de 1991 a 1998 (respectivamente p<0,0001, p=0,0173 e p=0,0044). Hallal e colaboradores7 analisaram a mortalidade por cncer no Rio Grande do Sul entre 1979 e 1995, utilizando modelos de regresso linear simples. A tendncia temporal das taxas padronizadas de mortalidade para o total dos cnceres, segundo sexo, foi de estabilidade, do ponto de vista estatstico, o mesmo acontecendo com as seguintes localizaes: clon/reto feminino e colo do tero e tero no especificado. Obtiveram tendncias estatisticamente crescentes nos coeficientes de mortalidade por cncer de pulmo (ambos os sexos), mama feminina, prstata e clon/reto masculino. J a mortalidade por cncer de estmago (ambos os sexos) e esfago masculino teve tendncia de decrscimo estatisticamente significativo. Bastos e colaboradores8 analisaram a

Rev. Bras. Epidemiol. Vol. 4, N 3, 2001

de sries temporais em epidemiologia 148 Anlise Latorre, M.R.D.O. & Cardoso, M.R.A.

tendncia da epidemia de AIDS em adultos, no perodo de 1985 a 1997, no Municpio de So Paulo, tendo como enfoque principal os usurios de drogas injetveis (UDI). Utilizaram modelos de regresso polinomial e observaram que no perodo de 1985 a 1992 houve tendncia de ascenso dos casos de AIDS em UDI e no UDI; a partir deste ponto ocorreu um declnio para UDI e manuteno em plat elevado para os no UDI, pela tendncia de crescimento constante entre mulheres e homens heterossexuais. Os modelos que mais se ajustaram foram os de segunda ordem (parbola), exceto para os heterossexuais no UDI, cuja tendncia foi de aumento linear. s vezes, devido grande oscilao dos pontos, necessrio suavizar a srie reduzindo o rudo branco. H vrias tcnicas de alisamento, sendo que a mais utilizada a mdia mvel. Detalhes do processo de alisamento da srie podem ser vistos em Moretin e Toloi2 ou em Latorre5. As vantagens2,3 da estimao da tendncia utilizando modelos de regresso polinomial so o grande poder estatstico desta classe de modelos, fcil elaborao e interpretao. Entretanto, algumas vezes no h uma funo definida, como a linear ou exponencial, tornando-se necessrio que o pesquisador ajuste uma funo matemtica como a Kernel e outras ou utilize outra classe de modelos. A segunda opo para a anlise de sries histricas seria a estimao da tendncia analisando o comportamento da srie ao redor de um ponto, estimando a tendncia para valores da srie prximos ele; e no utilizando a srie como um todo. A anlise utilizando parte da srie mais recomendada quando se deseja avaliar apenas uma parte da trajetria ou quando o comportamento da srie muito instvel. Nesta situao, melhores projees devem ser feitas apenas a partir de um passado recente da mesma. Aps a estimativa da tendncia, para se analisar os outros componentes necessrio construir uma srie livre de tendncia atravs das diferenas da mesma (DdZt), onde d o grau do polinmio obtido na anlise da

tendncia. Por exemplo, se a tendncia obtida for linear (1o. grau) , bastaria fazer uma diferena da srie Zt (Zt-Zt-1) para que ela estivesse livre de tendncia. Detalhes do processo de diferenas da srie podem ser visto em Moretin e Toloi2.

Sazonalidade
A sazonalidade um componente da srie histrica difcil de ser estimado, pois necessrio compatibilizar a questo conceitual do fenmeno em estudo com a questo estatstica. Define-se um fenmeno sazonal como aquele que ocorre regularmente em perodos fixos de tempo1-3. Se houver uma sazonalidade dita determinstica podem ser utilizados modelos de regresso que incorporem funes do tipo seno ou cosseno varivel tempo. Para se descobrir se existe sazonalidade na srie de valores e verificar qual o seu ritmo importante realizar uma anlise espectral3. Com este tipo de anlise possvel se identificar um padro sazonal, mesmo dentro de uma variabilidade aleatria. A anlise espectral utiliza um conjunto de funes que contm seno e cosseno e tenta ajust-las varincia observada em uma srie de observaes no tempo, levando em conta a amplitude das ondas, o perodo em que elas se repetem e a fase em que se iniciam3. Para se retirar o efeito da sazonalidade de uma srie2, pode-se usar a mdia mvel centrada no nmero de perodos que compem uma repetio (por exemplo, para sazonalidade anual, seria utilizada a mdia mvel de 12 meses) ou, ento, pode-se trabalhar com a diferena entre a srie original (Z t) e o polinmio estimado para a sazonalidade.

Modelos auto-regressivos
Antes de se conduzir qualquer anlise importante definir se a srie estacionria ou no, para, a partir da, estabelecer a estrutura do modelo probabilstico que estimar a srie. Uma srie considerada estacionria2,3 quando suas observaes ocor-

Anlise de sries temporais em epidemiologia Latorre, M.R.D.O. & Cardoso, M.R.A.

Bras. Epidemiol. 149 Rev. Vol. 4, N 3, 2001

rem aleatoriamente ao redor de uma mdia constante, ou seja, no h tendncia. Isto significa que E(Z t)=E(Z t+m)=m e Var (Zt)=Var(Zt+m)=constante. Para tanto, define-se a funo de auto-correlao2,3 (tambm chamada de funo de correlao serial) que, em cada perodo j (lag j) da srie, calculado o coeficiente de correlao entre as observaes t e t+j. Neste caso, se t e t+j so independentes, a correlao entre t e t+j zero. O modelo mais simples obtido para a srie histrica estacionria, ou seja, livre de tendncia e de sazonalidade. Esta srie conseqncia da variao aleatria do rudo branco ao redor de uma grande mdia, ao longo do tempo. Ela escrita2,3 como a combinao aleatria dos valores anteriores da Zt ( Zt=b1 Zt-1+b2Zt-2+ ... +bp Zt-p) e, por isso, a srie toda pode ser funo do rudo branco. Essa classe de modelos conhecida como modelos auto-regressivos-AR (no caso, de ordem p). Este um processo interativo onde h a identificao da ordem p atravs da funo de auto-correlao; a partir da, faz-se a estimativa de um modelo de previso bem como a anlise dos resduos para a avaliao da existncia de vises e/ou grandes erros de estimativas. A dificuldade desta tcnica a identificao do modelo, pois possvel que pessoas diferentes identifiquem modelos de ordem diferentes para a mesma srie temporal. Para muitas sries, a melhor soluo se encontra em combinar o modelo auto-regressivo (AR) com o de mdias mveis (MA)2,3. Este composto pela combinao linear de valores prximos da srie (AR de ordem p) com uma combinao linear dos rudos brancos prximos ao valor da srie (MA de ordem q). Tanto o modelo AR, quanto o MA, quanto o ARMA so utilizados para sries estacionrias. Entretanto, quando o processo no estacionrio homogneo (ou seja, possui tendncia, porm no explosivo), uma das maneiras de analis-lo incorporando um processo de diferenas (DdZt) no modelo ARMA2,3. Este o modelo conhecido como ARIMA (modelo auto-regressivo in-

tegrado de mdias mveis), onde d a ordem das diferenas necessrias para tirar a tendncia da srie. H duas situaes em que a srie pode ser considerada no estacionria: 1) quando durante um perodo os pontos oscilam ao redor de uma mdia e, depois, mudam de patamar (neste caso basta tomar uma diferena da srie); e 2) quando a srie no estacionria em relao tendncia (geralmente, para torn-las estacionrias necessrio tomar a segunda diferena). Os modelos ARIMA podem dar conta da sazonalidade quando h lags de baixa ordem. Porm, quando a sazonalidade ocorre em mltiplos perodos, necessrio que se considere no modelo um componente de sazonalidade estocstica. Nesta situao, utiliza-se o modelo SARIMA2,3 que incorpora as funes trigonomtricas (preferencialmente, seno e cosseno) ao modelo ARIMA, e a ordem da sazonalidade vai depender da srie. Exemplo da aplicao do modelo SARIMA pode ser visto na trabalho de Otero e colaboradores9. Estes autores descreveram a evoluo da mortalidade por desnutrio em idosos nas Regies Metropolitanas dos Estados do Rio de Janeiro (RMRJ) e de So Paulo (RMSP), verificando suas tendncias entre 1980 e 1996 e propuseram um modelo para predio dos mesmos. Os resultados apontaram a existncia tendncias de aumento e revelaram um padro sazonal no inverno na RMSP (maior nmero de bitos em junho e julho) e no vero na RMRJ (aumento em janeiro), concluindo que o modelo SARIMA foi o melhor para fazer previses.

Modelos lineares generalizados

Neste grupo de modelos estatsticos a varivel dependente ou resposta (Y) um processo de contagem (por exemplo, nmero de bitos ou de atendimentos dirios) e as variveis independentes so variveis candidatas a explicar o comportamento da srie ao longo do tempo. Esta classe de modelos indicada quando as variveis em estudo no tm aderncia distribuio nor-

Rev. Bras. Epidemiol. Vol. 4, N 3, 2001

de sries temporais em epidemiologia 150 Anlise Latorre, M.R.D.O. & Cardoso, M.R.A.

mal, principalmente pelo fato de serem processos de contagem (ou seja, so variveis quantitativas discretas). Estes modelos compem um grupo de distribuies de probabilidades conhecido como famlia exponencial de distribuies que englobam diversas funes aditivas, como a regresso linear, de Poisson, logstica, log-linear etc. Os modelos aditivos generalizados so uma extenso desta classe de modelos, nos quais cada varivel independente analisada no entra no modelo com o seu valor, mas sim, adotando uma funo no paramtrica de forma no especificada, que estimada a partir de curvas de alisamento. Sendo assim, no necessrio assumir uma relao linear e/ou aditiva entre a varivel dependente e a varivel independente em estudo. A trajetria alisada proporciona a visualizao no somente da forma, mas, tambm, apresenta as possveis no linearidades nas relaes estudadas, uma vez que no apresenta uma funo paramtrica rgida. Maiores detalhes desta classe de modelos podem ser vistos no trabalho de Conceio e colaboradores10. Neste artigo h a descrio e comparao dessas duas classes de modelos e os autores mostram, como exemplo de aplicao, a anlise da associao entre mortalidade por idosos e poluio atmosfrica na cidade de So Paulo, no perodo de 1994 a 1997. Um outro exemplo desta tcnica o estudo de Martins e colaboradores11. Neste estudo o objetivo foi investigar a associao entre os nveis dirios dos poluentes do ar e os atendimentos de idosos com infeces de vias areas superiores (IVAS), do Pronto Socorro Mdico do Hospital das Clnicas de So Paulo, no perodo de 1996 a 1998. Foram estimados modelos aditivos generalizados de regresso de Poisson, ajustados por sazonalidade (funes no paramtricas de alisamento), fatores climticos (funes lineares), variveis indicadoras de dias da se-

mana, perodos de rodzio e nmero dirio de atendimentos por doenas no respiratrias. Os resultados mostraram que tanto o monxido de carbono quanto o dixido de enxofre estiveram diretamente associados a IVAS, sendo esta associao robusta, resistindo incluso das variveis de controle.

Consideraes finais
Este nmero da Revista Brasileira de Epidemiologia tem como enfoque principal a utilizao de anlise de sries temporais em Epidemiologia. A anlise de sries histricas comum em estudos descritivos, porm muitas vezes observa-se a falta da metodologia estatstica adequada. Comparam-se, visualmente, dois ou mais pontos, porm no levado em conta que existe uma oscilao devido ao acaso. Da decorre a necessidade de avaliao de sries histricas atravs de modelos estatsticos diversos, cada um mais adequado a uma especfica trajetria no tempo. Neste texto introdutrio foram apresentados de maneira sumria apenas os modelos estatsticos mais utilizados em anlise de sries temporais. Detalhes de modelagem podem ser vistos nos livros textos indicados nas referncias bibliogrficas, e diversos exemplos de suas aplicaes podem ser vistos ao longo deste nmero especial da Revista. Espera-se, com isso, mostrar as inmeras aplicaes da anlise de sries temporais, estimulando-se a busca das tcnicas estatsticas adequadas. A disponibilidade de diversos pacotes estatsticos permite aos pesquisadores a utilizao da melhor tcnica estatstica, porm o fascnio pela tcnica no deve obscurecer o desenvolvimento das hipteses, pois as anlises estatsticas ganham pleno sentido quando orientadas por hipteses epidemiologicamente relevantes.

Anlise de sries temporais em epidemiologia Latorre, M.R.D.O. & Cardoso, M.R.A.

Bras. Epidemiol. 151 Rev. Vol. 4, N 3, 2001

Referncias
1. EveritT BS. The Cambridge dictionary of statistics in the medical sciences sciences. Cambridge: Cambridge University Press; 1995. 2. Morettin PA, Toloi CMC. Previso de sries . So Paulo:Atual Editora; 1985. temporais. 2a. ed. 3. Diggle PJ. Time series: a biostatistical introduction. Oxford:Oxford University Press; 1992. 4. Draper NR, Smith S. Applied regression analysis. New York: John Wiley and Sons; 1981. p:141-69, 250-65. (Wiley Series in Probability and Mathematical Statistics). 5. Latorre MRDO. Cncer em Goinia: anlise da incidncia e da mortalidade no perodo de 1988 a 1997. [Tese de Livre Docncia]: So Paulo: Faculdade de Sade Pblica da USP; 2001. 6. Tom EA, Latorre MRD de O. Tendncias da mortalidade infantil no Municpio de Guarulhos: anlise do perodo de 1971 a 1998. Rev Bras Epidemiol., 2001; 4:153-67. 7. Hallal ALC, Gotlieb SL, Latorre MRD de O. Evoluo da mortalidade por neoplasias malignas no Rio Grande do Sul, 1979-1995. Rev Bras Epidemiol., 2001; 4:168-77. 8. Bastos MSCBO, Latorre MRD de O, Waldman EA. Tendncia da epidemia de AIDS em usurios de drogas injetveis no Municpio de So Paulo de 1985 a 1997. Rev Bras Epidemiol., 2001; 4:178-90. 9. Otero UB, Rozenfeld S, Gadelha AJ. bitos por desnutrio em idosos em So Paulo e Rio de Janeiro: anlise de sries temporais- 1980-1996. Rev Bras Epidemiol., 2001; 4:191-205. 10. Conceio GMS, Saldiva PHN, Singer JM. Modelos GLM e GAM: uma traduo para leigos e aplicao a um estudo de mortalidade e poluio atmosfrica na cidade de So Paulo. Rev Bras Epidemiol ., 2001; 4:206-19. 11. Martins LC, Latorre MRD de O, Braga ALF, Saldiva PHN. Relao entre poluio atmosfrica e atendimentos por infeco de vias areas superiores no Municpio de So Paulo: avaliao do rodzio de veculos. Rev Bras Epidemiol., 2001; 4:220-9.

Rev. Bras. Epidemiol. Vol. 4, N 3, 2001

de sries temporais em epidemiologia 152 Anlise Latorre, M.R.D.O. & Cardoso, M.R.A.