Ebook Curso Analise Series Temporais

PROFEPI PROGRAMA DE FORTALECIMENTO DA EPIDEMIOLOGIA NOS SERVIÇOS DE SAÚDE
ANÁLISE DE SÉRIES TEMPORAIS

EM VIGILÂNCIA EM SAÚDE
Prof. José Leopoldo Ferreira Antunes • Coordenação Acadêmica

FICHA TÉCNICA
EQUIPE DO PROGRAMA DE FORTALECIMENTO DA
EPIDEMIOLOGIA NOS SERVIÇOS DE SAÚDE – PROFEPI
Secretaria de Vigilância em Saúde/ SVS/ MS

Arnaldo Correia de Medeiros
Departamento de Articulação Estratégica de Vigilância em

Saúde/DAEVS/SVS
Breno Leite Soares
Coordenação Geral de Desenvolvimento da Epidemiologia

nos Serviços/CGDEP/ DAEVS/SVS
Fátima Sonally Sousa Gondim
Equipe Executiva
Fátima Sonally Sousa Gondim – Coordenação Geral
Maryane Oliveira Campos Scherer – Coordenação Executiva
Tatiane Leite – Coordenação Pedagógica
Sheyla Leite, Claudia Spinola Leal Costa e Dalila Gonzaga –
Equipe de Execução
Regina Falcão – Apoio Administrativo
Equipe Criação Digital

Raones Ramos da Silva – Designer Gráfico/Web
Otávio Francisco Batista Martins – Motion Designer
Equipe pedagógica do curso Análise de Séries Temporais em

Vigilância em Saúde
José Leopoldo Ferreira Antunes – Coordenação acadêmica e
professor facilitador
Tatiane Leite – Coordenação Pedagógica
Ronaldo de Jesus, Danielly Batista Xavier, Maryane Oliveira
Campos Scherer, Lucia Rolim Santana de Freitas –
Colaboradores
INTRODUÇÃO 04
MÓDULO 1 • SÉRIES TEMPORAIS: ASPECTOS CONCEITUAIS DA
SUMÁRIO ORGANIZAÇÃO DAS MEDIDAS DE DOENÇAS NO TEMPO 06
1.1 Melodia e tendência........................................................................................06
1.2 Harmonia e associação..................................................................................06
1.3 Ritmo e sazonalidade.....................................................................................06
1.4 Ruído e variação aleatória............................................................................06
Conclusão...................................................................................................................06
MÓDULO 2 • SÉRIES TEMPORAIS: ASPECTOS METODOLÓGICOS

DA ORGANIZAÇÃO DAS MEDIDAS DE DOENÇAS NO TEMPO 17
2.1 Estimar tendências.......................................................................................... 18
2.2 Modelar sazonalidade ................................................................................... 35
2.3 Alisamento das séries temporais ............................................................. 41
MÓDULO 3 • SÉRIES TEMPORAIS INTERROMPIDAS E AVALIAÇÃO

DAS INTERVENÇÕES EM SAÚDE 47
3.1 Modelos de regressão segmentada...........................................................48
Considerações finais .............................................................................................. 55
GLOSSÁRIO 58
INSTRUMENTO DE AVALIAÇÃO 62
ANEXOS 63
profePI • curso: ANÁLISE DE SÉRIES TEMPORAIS EM VIGILÂNCIA EM SAÚDE
INTRODUÇÃO
A perspectiva de antever o futuro sempre en-
cantou o ser humano. Saber o que vai acontecer
antes mesmo que os primeiros sinais se mani-
festem pode propiciar um melhor aproveita-
mento de efeitos benéficos dos eventos futuros,
pode propiciar uma preparação antecipada para
eventuais efeitos adversos.
Talvez até mais importante que antecipar os re-

sultados seja o reconhecimento de tudo quan-
to possa interferir favorável ou desfavoravel-
mente nos processos em curso, para permitir
o planejamento de nossas ações individuais e
coletivas. De fato, lançar os olhos para o futuro
é importante para qualquer tomada de decisão
no presente!
A epidemiologia é a disciplina que se aplica ao

estudo da distribuição dos problemas de saúde,
dos determinantes que influenciam esses pro-
blemas e dos esforços para seu controle (Porta,
2016). Para essa área de estudos, a necessidade
de antever o futuro e, com base nessa antevi-
são, intervir nos processos do presente é muito
mais que mera curiosidade ou interesse mesqui-
nho. De fato, é assunto de vida ou morte, pois a
redução da carga de doença na população de-
pende da efetividade desses esforços.
4
Nesse sentido, este curso focaliza a análise de séries temporais, um tópico

da epidemiologia que permite antever futuros cenários da distribuição de
doenças na população e dos fatores que podem modificar esta distribui-
ção para melhor ou para pior. O curso foi organizado em três módulos.
No primeiro, são introduzidos aspectos conceituais sobre as séries tempo-
rais, enquanto recurso lógico para organizar as medidas epidemiológicas
no tempo. No segundo módulo, discutiremos os aspectos práticos desta
metodologia, exercitando as técnicas de análise das séries temporais. Por
fim, no terceiro módulo, iremos explorar a análise de séries temporais in-
terrompidas ou segmentadas, um recurso de interesse para a avaliação do
efeito de programas e medidas de saúde.
5
MÓDULO 1
Séries temporais: aspectos
conceituais da organização das
medidas de doenças no tempo
6
SÉRIES TEMPORAIS: ASPECTOS CONCEITUAIS DA

ORGANIZAÇÃO DAS MEDIDAS DE DOENÇAS NO TEMPO
Imagine um gestor de saúde que precise antever o coeficiente de mortalidade infantil em sua
região, com o intuito de programar iniciativas de promoção da saúde. Sabe-se que este coeficien-
te é influenciado por algumas características da população, como condições socioeconômicas,
saneamento básico, provisão e acesso a serviços de saúde. Mas estas informações podem não ser
atuais, confiáveis ou facilmente recuperadas. Além disso, a relação entre mortalidade infantil e
essas características é complexa e pode não ser rapidamente equacionada. Com isso, quais seriam
as primeiras perguntas que esse gestor se faria, para prever o valor deste indicador?
A primeira pergunta parece instintiva: “qual foi o valor deste coeficiente no ano anterior?” Continu-
ando sua reflexão sobre o tema, o gestor decerto se perguntará: “é justo pensar que o que ocorreu
no passado recente se repita no futuro imediato?” Essa segunda pergunta amplia o escopo de seu
esforço de antever o futuro. Agora, o gestor quer apurar sua previsão levando em consideração
não apenas o que ocorreu no último ano, mas também perguntando sobre a movimentação re-
cente que esta medida sofreu no tempo. Daí a terceira hipotética questão: “como a mortalidade
infantil tem se comportado ao longo dos últimos anos?” O estudo epidemiológico das séries tem-
porais contempla justamente essa preocupação em derivar conhecimentos sobre a movimentação
recente das medidas de interesse em saúde. Há duas finalidades para esse conhecimento: prever
resultados de interesse e identificar fatores que interferem sobre esses resultados.
Séries temporais foram definidas de modo breve e sucinto: “são sequências de dados quantita-
tivos relativos a momentos específicos e estudados segundo sua distribuição no tempo” (Wie-
ner, 1966). Essa definição indica a aplicabilidade desse recurso de análise para fins variados e
diferentes campos de conhecimento. Como aperfeiçoar o fluxo de estoque de um almoxarifado?
Como programar a compra de matéria prima para uma atividade industrial? Como dimensionar
o fluxo de vendas num empreendimento comercial? Estes são apenas alguns exemplos de apli-
cação da análise de séries temporais para finalidades não imediatamente relacionadas à saúde.
Nosso enfoque, no entanto, recairá sobre as medidas de saúde e como aplicar a análise de séries
temporais para os estudos epidemiológicos.
Esse primeiro módulo aborda aspectos conceituais relacionados a essa estratégia de análise
dos estudos epidemiológicos, a qual consiste em organizar no tempo as informações sobre as
doenças e derivar conhecimento desta análise.
7
Séries temporais e música: Vimos que as séries temporais são uma forma de organizar no
tempo as informações quantitativas sobre aspectos relacionados à saúde. A música também
é uma forma de organizar no tempo um tipo específico de informação: os registros sonoros.
A teoria musical reconhece três elementos da música, os quais podem ser pensados em cor-
respondência com a análise epidemiológica das séries temporais: melodia, harmonia e ritmo.
1.1 Melodia e tendência

Embora seja difícil de definir com precisão, a melodia pode ser pensada como uma sequência
de sons organizados de modo a fazer sentido musical. A Figura 1 apresenta um trecho melódico
bastante conhecido. De fato, todos se recordam da linha melódica que acompanha o trecho
“Ouviram do Ipiranga as margens plácidas”. Sua representação gráfica na forma de partitura
deixa bem claro que, excetuando as duas últimas notas, a melodia tem uma progressão das
notas graves, representadas pelas linhas inferiores do pentagrama, para as notas agudas, as que
aparecem na parte mais elevada da partitura.
Os movimentos melódicos em direção às notas mais graves ou mais agudas podem ser projetados
aos movimentos das tendências nas séries temporais. Observe, na Figura 2, a série temporal do
coeficiente de mortalidade geral na cidade de São Paulo, de 1900 a 1994. A imagem da série
deixa claro que, de modo geral, essa medida evoluiu ao longo do século reduzindo a magnitude
de valores; isto é, passando de valores mais elevados na escala vertical para valores menos
elevados. Isto configura uma tendência decrescente.
Figura 1. Compassos iniciais do Hino Nacional Brasileiro
Quando estudamos séries temporais em estudos epidemiológicos, um primeiro elemento da

análise deve focalizar qual é a tendência da medida. O conceito de tendência também pode ser
definido de forma breve e sucinta: “um movimento prolongado em uma série ordenada” (Porta,
2008). Obviamente, a tendência pode ser decrescente, como na Figura 2, mas também pode ser
crescente ou estacionária.
8
Figura 2. Coeficiente de mortalidade geral, cidade de São Paulo, 1900-1994. Fonte: Antunes (1998)
Complicando um pouco mais, uma mesma série temporal pode apresentar trechos com diferen-
tes tendências. Observe como isso de fato ocorre na Figura 3, que mostra a série temporal da
mortalidade infantil na cidade de São Paulo, abrangendo o mesmo período. A tendência secular
de declínio dessa medida foi claramente interrompida no período de 1961 a 1973, quando a
mortalidade infantil cresceu de modo consistente. O que teria acontecido nesse período para
justificar esta observação? O que mais de interessante pode ser depreendido da apreciação
visual desta série temporal? Em cada um dos primeiros anos do monitoramento, ocorreram em
torno de 220, 230 óbitos de crianças com menos de um ano de idade, para cada 1000 nascidas
vivas. O que pensar desses valores tão elevados?
Figura 3. Coeficiente de mortalidade infantil, cidade de São Paulo, 1900-1994. Fonte: Antunes (1998)
9
1.2 Harmonia e associação

Mas a música não se limita à linha melódica. Imagine a diferença entre um violinista ressoando seu
instrumento sozinho no palco e outro que toca acompanhado de toda uma orquestra sinfônica! A
mesma linha melódica executada pelo violinista decerto terá outro brilho quando reproduzida em
harmonia com a orquestra. Tem coisas que definitivamente ficam melhor quando ocorrem de modo
concomitante. O vinho, que deve ser tomado durante as refeições, para que harmonize com o sabor
dos alimentos. Assistir a final do campeonato sozinho em casa pela televisão ou no estádio, com o
calor de toda a torcida!
No piano, enquanto a mão direita dedilha a melodia, a mão esquerda toca outras notas dos acordes
que compõem a harmonia. Como elementos musicais complementares, a melodia é o desenvolvi-
mento horizontal da música, enquanto a harmonia é seu desenvolvimento vertical, representado
pelos acordes formados por sons concomitantes. De modo análogo, quando estudamos a tendência
e sintonizamos nossa atenção no desenvolvimento horizontal da série no tempo, precisamos atentar
também para a complexidade vertical da série temporal, identificando como suas medidas se har-
monizam, isto é, se associam com informações adicionais sobre os fenômenos relacionados.
Com essa ideia em mente, reveja a série temporal da Figura 2 e identifique o pico de mortalidade
geral que ocorreu na cidade de São Paulo no ano de 1918. Por meio da análise de tendência desta
série temporal, pode-se estimar que o valor observado em 1918 foi quase 50% mais elevado que a
média entre os anos imediatamente anterior e posterior. Esta informação é compreensível por si só;
ela indica que, de fato, algo muito ruim ocorreu naquele ano.
Mas o significado desta informação decerto se amplifica quando procuramos associá-la com o co-
nhecimento sobre o que se passou na cidade de São Paulo. Como se sabe; 1918 foi o ano da “gripe
espanhola”, de triste lembrança. Naquele ano, ocorreu um grave surto de gripe, com enorme impac-
to na mortalidade geral. No mesmo estudo do qual foi reproduzida a Figura 2, foi delineada a série
temporal da esperança de vida ao nascer, mostrando uma forte redução nessa medida. Como muitas
crianças, adolescentes e adultos jovens foram vitimados pela gripe, a duração média da vida foi de
cerca de 50 anos, no ano anterior, para menos de 32 em 1918.
A perspectiva de harmonizar a interpretação das tendências observadas nas séries temporais com
outras informações que estejam disponíveis sobre o fenômeno em questão diz respeito ao estudo
de associação, que é um recurso bastante utilizado na análise epidemiológica. Estas informações
adicionais podem ser qualitativas, auxiliando a interpretação dos motivos que justificam o aumento,
a diminuição ou a estabilidade dos valores de uma medida de interesse para a saúde. Estas informa-
ções adicionais também podem ser quantitativas, dando ensejo à aplicação de técnicas de análise
estatística para estimar sua associação com a série temporal que se tenta explicar.
10
Exemplificando o uso de informações qualitativas para justificar movimentos de tendência das

séries temporais, observa-se que o estudo original, no qual foi delineada a série temporal da
Figura 3, aventou duas hipóteses para explicar a inversão de tendência da mortalidade infantil
e o crescimento observado nos anos 1960 e início dos 1970. A primeira delas foi a diminuição
do valor real do salário mínimo, parâmetro que regulava a remuneração de uma parcela pon-
derável das famílias residentes na cidade. A outra hipótese aventava o desmame precoce, a
comercialização de leite em pó e a má qualidade da água de abastecimento público, com a qual
o leite em pó era preparado para o consumo infantil (Antunes, 1998).
Vejamos agora outro exemplo de associação

dos dados obtidos em uma série temporal para
gerar conhecimento em saúde. Neste caso, o
estudo de associação utilizou medidas quan-
titativas organizadas em outra série temporal,
para avaliar a concomitância entre dois fenô-
menos de interesse para a saúde. Examine a
Figura 4, na qual se mostra a série temporal
da mortalidade geral diária em São Paulo, do
início de 1991 até o final de 1994. A segunda
série temporal delineada organiza os dados de
temperatura média diária na mesma cidade e
período. Considerando a associação entre as
duas medidas, o que se depreende da inspeção
visual das duas séries temporais? Que conheci-
mento pode ser inferido?
As temperaturas médias diárias são, é claro,

mais baixas no inverno (meados de cada ano)
e mais elevadas no verão (período do fim de
ano e início do ano seguinte).
Figura 4. Séries temporais: (a) mortalidade geral por dia e (b) temperatura média diária na cidade de
São Paulo, 1991-1994. Fonte: Gouveia et al. (2003)
Já a mortalidade geral foi mais elevada nos períodos de inverno que no verão. No estudo que
delineou a Figura 4, os autores concluíram haver uma associação inversa entre os dois fenô-
menos. Isto é, nos períodos em que os dias são mais quentes, a mortalidade geral diária tende
a ser menor, e vice-versa, a mortalidade é tendencialmente mais elevada nos períodos de frio.
11
Diz-se que há uma associação direta ou positiva entre duas séries temporais, quando os valores
de ambas aumentam ou diminuem concomitantemente. De modo complementar, a associação
é inversa ou negativa se o aumento de uma medida corresponde à diminuição da outra, como
no caso discutido no parágrafo anterior. E se diz que não há associação quando não há corres-
pondência entre as mudanças de valor das duas séries. A associação entre séries temporais não
necessariamente tem origem causal. O aumento de uma variável pode não ser causa do aumen-
to ou declínio da outra, ambas podem ter causas comuns, e sua associação pode ser reflexo de
processos mais complexos.
1.3 Ritmo e sazonalidade

O ritmo é possivelmente o elemento mais instintivo da teoria musical. O coração bate de forma
ritmada; o sol parece girar em torno da terra de forma ritmada; as estações do ano se sucedem
de forma ritmada. Na música, o ritmo envolve estrofes, refrãos e repetições. Também se dão de
forma ritmada os movimentos da dança, ou mesmo de quem acompanha distraidamente uma
canção tamborilando os dedos. Na notação musical, o ritmo é registrado por meio da marcação
do tempo em que cada nota deve soar, e pela divisão da partitura em compassos.
A percepção de que os fenômenos de interesse para a saúde também podem apresentar repe-
tições de certa forma organizadas no tempo, ou seja, de que há algum ritmo a ser reconhecido
na análise de séries temporais, é muito importante para a epidemiologia. Estamos falando das
variações sazonais e cíclicas que afetam a medida de muitas doenças.
O movimento sazonal da temperatura média diária que foi representado na Figura 4 é bem
conhecido de todos: faz mais frio no inverno que no verão... A originalidade do estudo do qual
foram reproduzidas as imagens da Figura 4 diz respeito justamente à existência de variação
sazonal também no número diário de mortes. Quem recuperar o manuscrito original na página
que a revista mantém na Internet (o acesso é livre) poderá refletir mais detalhadamente sobre
os motivos que justificam esta variação sazonal.
A Figura 5 fornece outro exemplo de construção de conhecimento em saúde com base na análi-
se da variação sazonal das séries temporais. Esta figura reproduz, para as regiões Sul e Nordeste
do Brasil, a mortalidade semanal de pessoas com 65 anos ou mais por pneumonia e influenza.
O período de monitoramento foi de 1996 a 1998, os três anos que antecedem a introdução do
programa nacional de vacinação de idosos contra a gripe.
12
Figura 5. Séries temporais da mortalidade semanal de idosos (65 anos ou mais) por influenza e
pneumonia nas regiões Sul e Nordeste, 1996 a 1998. Mortalidade observada, mortalidade esperada
e limiar epidêmico previsto. Fonte: Oliveira (2013)
Além da série temporal da mortalidade observada, foi delineada, para cada região, a sequên-
cia da mortalidade esperada para cada semana, se não houvesse variação aleatória na medida
(essa “rugosidade” dos valores observados), e tampouco houvesse surtos de gripe causando um
aumento brusco da mortalidade, como este, que pode ser facilmente identificado na região Sul,
em meados de 1996. Também foi delineada a curva que projeta uma previsão para o limiar epi-
dêmico, o qual, quando ultrapassado, configura a ocorrência de um surto de gripe. Os cálculos
da mortalidade esperada e do limiar epidêmico previsto demandam o uso de técnicas avançadas
de análise estatística, as quais não serão objeto deste módulo.
Exercitando o olhar sobre as duas séries temporais da Figura 5, o que pode ser depreendido de
relevante para o conhecimento em saúde?
Ambas as séries apresentam tendência estacionária com variação sazonal. Notando a diferença
de escala no eixo vertical, percebe-se que a magnitude da mortalidade oscila em torno de va-
lores mais elevados na região Sul que no Nordeste. Também a amplitude da variação sazonal é
mais elevada na região Sul. Estas duas diferenças podem estar relacionadas à maior amplitude
de variação climática na região Sul que no Nordeste.
Uma análise mais detalhada indica que o período de máxima mortalidade anual estimada para a
região Sul variou entre a 28ª e a 31ª semanas epidemiológicas, respectivamente a 2ª semana de
13
julho e 4ª semana de julho, o que corresponde ao inverno. A hipótese subjacente é que as pes-
soas passam mais tempo em ambientes fechados nos dias mais frios, propiciando a transmissão
da gripe. Na região Nordeste, o período de máxima mortalidade esperada ocorreu entre a 17ª
e a 22ª semanas epidemiológicas, respectivamente a 4ª semana de abril e 4ª semana de maio.
Como há menos variação de temperatura entre as estações no Nordeste, o período de maior
permanência em ambientes fechados (e, portanto, mais propício à transmissão da gripe) ocorre
no outono, quando chove mais. Estes dados são indicativos de diferenças no perfil epidemioló-
gico da doença em cada região.
Na Figura 4, o registro que permitiu visualizar a variação sazonal utilizou dados diários de
temperatura e mortalidade. Nas séries da Figura 5, a variação sazonal foi apreendida em dados
discriminados por semana. Utilizar a escala mensal é outra estratégia para a percepção visual
de sazonalidade nas séries temporais de interesse para a saúde. Do ponto de vista etimológi-
co, a palavra sazonal é relativa às estações do ano. Quando o ritmo, ou o ciclo de repetição da
série temporal se prolonga por mais de um ano, não se fala em variação sazonal, mas sim em
variação cíclica.
A Figura 6 exemplifica uma série temporal com indicação de variação cíclica. Medidas epidemio-
lógicas do sarampo são emblemáticas para a percepção de variação cíclica, pois a ocorrência de
um surto tende a reduzir o risco de novos surtos em curto prazo. Os sobreviventes da doença
adquirem imunidade e, com menos crianças susceptíveis, a transmissão se torna menos prová-
vel. Isto é, há imunidade individual e imunidade de rebanho interagindo para a redução do risco
da doença. Contudo, nos anos seguintes, as crianças imunes vão crescendo e saindo da faixa
etária de maior risco para a doença, enquanto novas crianças vão nascendo e aumentando o
número de suscetíveis. Esse processo, cíclico, pode facilitar a eclosão de um novo surto e isso
de fato ocorre enquanto o vírus continua circulando. A Figura 6 mostra a variação cíclica na
incidência de sarampo na cidade de São Paulo. Mesmo nos períodos em que não houve surtos
epidêmicos com grande aumento do número de casos da doença, como entre 1975 e 1983, hou-
ve aumento cíclico da incidência mensal. A importância epidemiológica desta variação cíclica
pode ser mais bem apreciada, quando se recorda que no início dos anos 1980, o sarampo foi a
segunda principal causa de morte (em seguida à pneumonia) no grupo etário de um a cinco anos
(Antunes & Waldman, 2002).
14
Figura 6. Incidência mensal de sarampo na cidade de São Paulo, 1960-1993. Fonte: Waldman & Rosa (1998)
Além da variação cíclica, a Figura 6 também apresenta uma acentuada tendência crescente
na década de 60, com posterior tendência decrescente. O declínio do sarampo na cidade foi
associado a melhorias gerais das condições de vida e à introdução e aumento de cobertura da
vacinação nesse período (Antunes & Waldman, 2002).
1.4 Ruído e variação aleatória

Em janeiro de 2012, o regente da Orquestra Filarmônica de Nova York interrompeu a execução
da Nona Sinfonia de Gustav Mahler quando um telefone celular começou a tocar na plateia. Os
músicos ficaram aturdidos com o barulho. A desatenção momentânea interrompeu sua percep-
ção de ritmo, distraiu-lhes do curso da melodia e impossibilitou a manutenção do sincronismo
necessário para a harmonia.
Seguindo o paralelo entre música e análise de séries temporais, qual seria o elemento de varia-
ção das medidas epidemiológicas organizadas no tempo que propiciaria tamanha perturbação
na percepção de tendências, associações e variações sazonal e cíclica? A variação aleatória das
medidas é, para as séries temporais, o equivalente ao ruído para a música. A variação aleatória
manifesta-se visualmente na forma de rugosidade nas linhas dos gráficos de séries temporais. Ao
rever as figuras anteriores, pode-se notar que a variação aleatória afeta todas as séries temporais
delineadas, e coexiste com os demais movimentos que foram descritos neste texto.
15
A variação aleatória na análise de séries temporais é definida como “flutuações irregulares e

erráticas que não são importantes em si mesmas, e que são causadas por fatores que ocorrem
ao acaso e não podem ser antecipados, detectados, identificados ou eliminados” (Gaynor &
Kirkpatrick, 1994). Curiosamente, o termo ‘ruído’ é efetivamente empregado para referenciar
a variação aleatória na análise de séries temporais. A comparação visual das figuras anteriores
propicia o reconhecimento de que há mais variação aleatória na Figura 4 que na Figura 3; isto
é, a primeira é mais “rugosa” que a segunda. Isto é fácil de compreender, uma medida tomada a
cada dia, como na Figura 4, é decerto mais susceptível a variações aleatórias do que uma medi-
da tomada a cada ano, como na Figura 3.
Não é raro que os surtos epidêmicos ocorram de forma brusca e inesperada. Na análise de uma
série temporal, o que diferencia um surto epidêmico da variação aleatória? Reveja a definição de
variação aleatória no início do parágrafo anterior; surtos epidêmicos não se enquadram nessa
definição. Mesmo quando escapam ao controle, os surtos epidêmicos não ocorrem ao acaso e o
esforço de analisar as séries temporais vem justamente no sentido de os antecipar e prevenir.
Por sua magnitude, os surtos epidêmicos não podem ser reduzidos a variações irregulares e
erráticas. E, seguramente, não são desimportantes.
Conclusão
Tendência; sazonalidade e variação cíclica; estudos de associação e variação aleatória. Conhe-
cemos agora os principais movimentos da análise de séries temporais. A definição desses movi-
mentos foi fortemente apoiada na disposição gráfica das séries temporais. O recurso gráfico é o
primeiro passo para compreender os processos subjacentes às medidas sequenciais ordenadas
temporalmente. Esse primeiro passo é importantíssimo e não deve ser subestimado. Sempre fazer
o gráfico da série temporal é imperativo para viabilizar seu estudo e compreensão. A reflexão so-
bre a disposição visual da série deve usar os conceitos desenvolvidos nesta primeira seção.
Sabendo o que deve ser procurado nas séries temporais, podemos partir para o Módulo 2, na
qual são apresentados e exercitados os métodos práticos para esta análise.
16

MÓDULO 2
Séries temporais: aspectos
metodológicos da organização das
medidas de doenças no tempo
SÉRIES TEMPORAIS: ASPECTOS METODOLÓGICOS DA

ORGANIZAÇÃO DAS MEDIDAS DE DOENÇAS NO TEMPO
Neste módulo, serão apresentados os recursos metodológicos para a análise epidemiológica das
séries temporais. O primeiro item aborda a estimação de tendências, e busca operacionalizar
procedimentos para avaliar se a série é crescente, decrescente ou estacionária, além de quan-
tificar a porcentagem média de mudança (crescimento ou declínio) anual, mensal ou semanal
da série temporal. O segundo item focaliza a variação sazonal das séries temporais, e apresenta
uma metodologia para avaliar se esta variação é estatisticamente significante ou pode ser atri-
buída ao acaso. Em ambos os itens, se emprega o recurso da análise de regressão linear. Por fim,
o terceiro item sintetiza um recurso técnico para explorar analiticamente a disposição visual das
séries temporais. Complementando a apresentação dos métodos de análise das séries temporais,
esta seção contém quatro atividades práticas com exercícios de aplicação.
2.1 Estimar tendências

Nunca é demais insistir que, para qualquer finalidade, na análise de séries temporais, o pri-
meiro passo deve ser sempre a disposição gráfica da sequência de valores. Isso ajuda a orga-
nizar o conhecimento prévio que se tem sobre o assunto que está sendo estudado, e contribui
para delinear os procedimentos analíticos que deverão ser realizados. Quando se trata de
estimar a tendência, o simples esforço de apreciar visualmente a série temporal de interesse
contribui muito para orientar a análise.
Vimos que as séries temporais podem ter tendência crescente, decrescente ou estacionária.
Podem também apresentar tendências diferentes em trechos sequenciais. Para dar conta
desta complexidade, uma alternativa consiste em utilizar funções matemáticas que melhor
se ajustem aos pontos observados, seja para a série temporal como um todo, seja para o
segmento que estiver em foco.
Para explorar a disposição gráfica e inspeção visual das séries temporais, e para introduzir os
recursos de análise que permitem determinar quantitativamente suas tendências, consideremos
um exemplo de aplicação, relativo à evolução temporal da aids em alguns países europeus.
É conhecida a associação entre aids e condição socioeconômica (Farias & Cardoso, 2005). De
modo geral, estratos sociais mais afetados pela privação material tendem a ser mais reticen-
tes às medidas de prevenção e proteção individual, o que os submete a risco mais elevado
18
para contrair a doença. Quando contraem a doença, as pessoas menos escolarizadas e/ou mais
pauperizadas tendem a ter mais dificuldade para manter a adesão ao protocolo de medicação
antirretroviral, o que as submete a risco mais elevado de óbito. Com base nestas indicações,
poderíamos nos perguntar sobre a evolução temporal dos indicadores epidemiológicos da aids
em alguns países europeus com diferentes perfis socioeconômicos. Como a doença progrediu
em países ricos e com serviços de saúde relativamente bem organizados (como Inglaterra, Ale-
manha e Finlândia)? Como a doença progrediu em um país mais pobre, como a Hungria? E num
país emergente, como a Rússia?
A Figura 7 mostra as séries temporais da incidência de AIDS nesses países, no período para o
qual havia dados disponíveis na European Health for All Database (HFA-DB), que é a base de
dados sobre saúde mantida pela Organização Mundial da Saúde, em seu escritório regional para
a Europa.
Nota-se uma marcante expansão da epidemia nos países mais ricos até meados da década de
1990. Essa expansão foi maior no Reino Unido (Inglaterra, Escócia, Irlanda do Norte e País de
Gales), um pouco menor na Alemanha e ainda menos intensa na Finlândia. Nos países de renda
menos elevada, Rússia e Hungria, sequer se chegou a notar uma expansão da epidemia. O que jus-
tifica o sensível crescimento da incidência de aids no Reino Unido, na Alemanha e na Finlândia até
meados dos anos 1990? Por que a epidemia retrocedeu subsequentemente? Estes países teriam
adotado programas efetivos de prevenção? A introdução da terapêutica antirretroviral em meados
da década de 1990 teria exercido algum efeito sobre a redução de incidência? Seriam confiáveis
os dados de incidência da aids na Rússia e Hungria? Uma busca no PubMed por artigos científicos
que tenham se aplicado a essa temática poderia auxiliar a desdobrar essas questões.
19
Figura 7. Incidência de aids em alguns países europeus. Fonte: European health for all database.
https://gateway.euro.who.int/en/hfa-explorer/
Figura 8. Mortalidade por aids em mulheres, em alguns países europeus. Fonte: European mortality
database. https://gateway.euro.who.int/en/hfa-explorer/
20
Figura 9. Mortalidade por aids em homens, em alguns países europeus. Fonte: European mortality
database. https://gateway.euro.who.int/en/hfa-explorer/
Os indicadores de mortalidade são consistentemente menos elevados para mulheres (Figura

8) que para homens (Figura 9) nos países monitorados. A Alemanha, que havia experimentado
uma evolução de incidência menos elevada que o Reino Unido, manteve uma mortalidade mais
elevada durante todo o período de monitoramento. Não obstante a conhecida diferença socioe-
conômica entre Finlândia e Hungria, os dois países mantiveram padrões análogos para as séries
temporais de mortalidade por aids em ambos os sexos. A Rússia, surpreendentemente, teve uma
enorme expansão da mortalidade por aids, tanto para homens como para mulheres, na década
de 2000, período em que já era disponível a terapêutica antirretroviral, cujo efeito de redução
dos indicadores populacionais de mortalidade por AIDS é conhecido (Antunes et al., 2005). Que
hipóteses poderiam ser aventadas para explicar esses resultados? A expansão da mortalidade
reflete o aumento real dos óbitos causados pela doença? Será que, ao menos em parte, essa ex-
pansão se deve a mudanças no registro da causa básica de morte, passando progressivamente
a reconhecer a letalidade da doença?
Na Figura 9, observa-se uma importante redução da mortalidade de homens por AIDS, na Ale-
manha e no Reino Unido, a partir de meados dos anos 90. Independente da magnitude da
mortalidade ter sido mais elevada na Alemanha, a inspeção visual das séries parece indicar que
o declínio foi equivalente nos dois países. Será que isto de fato ocorreu? É possível comparar
quantitativamente as duas tendências?
21
A ideia de quantificar a tendência tem justamente

o intuito de permitir a comparação entre diferentes
séries temporais ou diferentes segmentos de uma
mesma série temporal. O procedimento de estimação
quantitativa da tendência demanda aplicação estatís-
tica, mas o esforço é recompensado pelo campo de
possibilidades que se abre para a interpretação dos
dados epidemiológicos. A metodologia descrita em
seguida foi originalmente publicada por Antunes e
Waldman (2002).
Considerando o traçado da reta de melhor ajuste entre os pontos da série temporal, ou de um

de seus trechos, para o qual se pretende estimar a tendência, poderíamos escrever a equação
da reta indicada na Figura 10, da seguinte forma:
Fórmula 1: equação de regressão linear com componente de tendência
Y = b0 + b1X
Considere Y como sendo a medida dos valores da série temporal, e X a medida dos anos, ou de
outra unidade temporal na qual os valores de Y tenham sido monitorados. O valor de ‘b0’ corres-
ponde à interseção entre a reta e o eixo vertical; de fato, quando X = 0, temos, na equação aci-
ma, Y = b0. O valor de ‘b1’ corresponde à inclinação da reta; para cada mudança de uma unidade
na escala de X, o valor de Y é acrescido de ‘b1’ unidades. Naturalmente, se b1 for positivo, a reta
é crescente, e valores mais elevados de b1 indicam retas mais inclinadas no sentido vertical. De
modo complementar, se b1 for negativo, a reta é decrescente, e se b1 não for diferente de zero,
a reta é paralela ao eixo X e qualquer variação de X não modifica os valores de Y, configurando
a condição para a tendência estacionária.
Para mensurar a taxa de variação da reta que ajusta os pontos da série temporal, é preciso foca-
lizar o valor de b1, cuja estimação é feita por meio da análise de regressão linear. Para esse fim,
vamos trabalhar com a transformação logarítmica dos valores de Y, o que propicia vantagens
de ordem estatística para a aplicação da análise de regressão linear, como a redução da hete-
rogeneidade de variância dos resíduos da análise de regressão; isto é, dos valores da diferença
entre os pontos da reta média e os pontos da série temporal. Além disso, essa transformação
favorece o cômputo da razão de incremento anual da série temporal, por meio do procedimento
descrito em seguida.
22
Consideremos X1, X2, X3, ..., Xi, ..., Xn como sendo os valores dos anos para os quais foram to-
madas as medidas Y1, Y2, Y3, ..., Yi, ..., Yn. Então, para qualquer ano “X(i)” e seu ano subsequente
“X(i+1)”, podemos escrever que:
logY(i) = b0 + b1X(i); e
logY(i+1) = b0 + b1X(i+1)
Fazendo a diferença de ambos os termos das duas equações, teremos:
logY(i+1) – logY(i) = b0 + b1X(i+1) – b0 – b1X(i) = b1[X(i+1) – X(i)]
Como X(i+1) e X(i) são anos subsequentes, sua diferença é sempre igual a um. E, usando proprie-
dades da álgebra de logaritmos, teremos:
logY(i+1) – logY(i) = log[Y(i+1)/Y(i)] = b1; ou Y(i+1)/Y(i) = 10^b1
Nesta notação, o acento circunflexo corresponde à operação exponencial e deve ser lido como
“elevado a”. Então, subtraindo 1 de ambos os lados da equação, teremos:
Y(i+1)/Y(i) – 1 = –1 + 10^b1; ou:
[Y(i+1) – Y(i)]/Y(i) = – 1 + 10^b1
Mas [Y(i+1) – Y(i)]/Y(i) é justamente a taxa de crescimento médio anual, pois foi dimensionada
para qualquer ano genérico “i”. Basta, então, estimar o valor de b1 para obtermos a taxa de cres-
cimento médio anual. Observe que esta taxa pode ser apresentada como proporção ou como
porcentagem. Se a taxa for positiva, a série temporal é crescente, se for negativa é decrescente,
e será estacionária se o seu valor não for significantemente diferente de zero. Como o valor de
b0 é calculado por meio de regressão linear, é possível empregar o erro padrão (EP) da estima-
tiva de b1 para construir o intervalo de confiança (IC95%) desta medida. Com isso, teremos uma
expressão sintética para a estimação quantitativa da tendência:
Fórmula 2: Taxa de incremento anual e intervalo de confiança (95%)
Taxa de incremento anual = – 1 + 10^b1
IC (95%) = – 1 + 10^b1máximo; – 1 + 10^b1mínimo
23
Nesta fórmula, tanto o valor de b, como os valores de b1máximo e b1mínimo são fornecidos por
análise de regressão linear, disponível em muitos softwares de análise estatística. No entanto, é im-
portante notar que a análise de regressão linear simples não se presta à análise de séries temporais,
pois a autocorrelação serial usualmente encontrada em medidas de dados populacionais induz o
rompimento de uma premissa desse método, que é resíduos de regressão com distribuição aleatória.
Para superar essa dificuldade, é preciso recorrer a outras rotinas de análise de regressão linear, que
não sejam a regressão linear simples. As mais utilizadas são as técnicas de Prais-Winsten e Cochrane-
-Orcutt, ambas desenvolvidas para a aplicação em séries temporais e que são facilmente executáveis
em programas de informática para análise estatística que são empregados na área de saúde, como o
pacote R, Stata e SPSS. Sendo dois procedimentos diferentes para a mesma finalidade, seus resultados
não serão exatamente coincidentes. Apesar de alguma diferença em casas decimais dos resultados,
suas interpretações (tendência crescente, decrescente ou estacionária) dificilmente diferirão.
Nas séries temporais da mortalidade por aids (Figuras 8 e 9), foi verificado um impressionante cresci-
mento na Rússia, tanto para homens como para mulheres. Independente de a mortalidade ser maior
em homens que em mulheres, para qual desses grupos o crescimento terá sido mais intenso? Usando
a metodologia acima descrita, encontra-se taxa de crescimento anual de 3,96% (Intervalo de Confian-
ça 95%: 3,59% a 4,33%) para homens e 4,59% (IC95%: 3,77% a 5,43%) para mulheres. Esses valores
são indicativos de tendência crescente para ambas as séries. Como há grande superposição entre os
intervalos de confiança, sugere-se a hipótese de não ser significante a diferença entre as duas taxas
de crescimento anual.
O que poderia justificar tamanho incremento da mortalidade por aids na Rússia, num período em que
houve declínio em vários países? Para testar a hipótese de que esse aumento reflete o aumento da
capacidade de reconhecer a aids como causa básica de morte, poderíamos traçar as séries temporais
da proporção de óbitos por causa básica não determinada ou mal especificada. Se a magnitude desta
proporção for elevada, reforça-se a hipótese de que é ruim a qualidade do registro de informações de
mortalidade naquele país. Se a tendência da série temporal da proporção de óbitos sem identificação
de causa for decrescente nos últimos anos, reforça-se a hipótese de que o aumento recente da mor-
talidade por aids reflete, ao menos em parte, o aumento de capacidade do sistema de informações
em reconhecer os óbitos causados pela aids.
Quando a mesma análise é aplicada para a mortalidade de homens por aids na Alemanha, a partir de
1994, encontra-se taxa de crescimento anual de –9,70% (IC95%: –15,80% a –3,16%). O sinal negativo
indica que a tendência é decrescente, e a magnitude desses números indica a intensidade do declínio
médio anual desta medida. Como o intervalo de confiança não inclui o valor de zero, a hipótese de
tendência estacionária é excluída. Por fim, quando se analisa a mortalidade por AIDS em homens na
Hungria, encontra-se taxa de crescimento anual de –0,15% (IC95%: –6,48% a +6,62%). Esse resulta-
24
do é muito pequeno, próximo de zero, e o intervalo de confiança vai de valores negativos a valores
positivos. Essas indicações são compatíveis com a hipótese de que a tendência é estacionária, e que
a epidemia não progrediu com mais intensidade na Hungria. Naturalmente, também esse resultado é
sujeito a restrições de validade relativas à qualidade do registro, naquele país, das causas de óbito em
geral, da mortalidade por aids em particular.
ATIVIDADE 1
Tendência da mortalidade infantil em dois Estados brasileiros
Objetivo: ao final desta atividade os estudantes serão capazes de testar hipóteses quan-
to à tendência crescente, decrescente e estacionária das séries temporais e verificar sua
correspondência para medidas de mortalidade infantil em dois estados brasileiros.
O censo de 2010 levantou dados sobre a renda domiciliar média nos Estados, indican-
do São Paulo como o valor mais elevado no país, e Maranhão como o menor. Conhe-
cendo a associação entre mortalidade infantil e condição socioeconômica, pode-se
perguntar sobre a diferença entre os dois Estados, no que diz respeito à tendência da
mortalidade infantil. Esta atividade visa testar esta hipótese.
Entre no site do DATASUS (http://www2.datasus.gov.br/DATASUS/index.php) e clique

em <Informações de Saúde (TABNET)> e depois em <Estatísticas Vitais>. Na página
que se abre, solicite <Nascidos vivos> e <Óbitos infantis> (menu de <Mortalidade>)
independentemente para cada Estado de interesse (São Paulo e Maranhão). Registre
em uma planilha do Excel os valores obtidos, para cada Estado, do número de óbitos
com menos de um ano de idade e de nascidos vivos a cada ano. Divida as duas medidas
e multiplique o resultado por 1000, para obter o coeficiente de mortalidade infantil.
Verifique se os resultados conferem com os dados da Tabela 1.
Com esses dados, delineie os gráficos das séries temporais da mortalidade infantil
nos dois Estados, tentando reproduzir a Figura 11.
25
A inspeção visual do gráfico sugere tendência decrescente em São Paulo e estacio-

nária no Maranhão. Utilize o procedimento de estimação de tendências para verifi-
car se estas hipóteses se confirmam estatisticamente. Para esta finalidade, calcule
o logaritmo dos valores anuais do coeficiente de mortalidade infantil, transfira os
dados para um dos programas que efetuam análise estatística de séries temporais, e
calcule o valor do coeficiente b (e seu respectivo intervalo de confiança) da análise
de regressão pelo procedimento de Prais-Winsten.
Tabela 1. Coeficiente de mortalidade infantil em São Paulo e Maranhão, 1996-2010.

Fonte: DATASUS
São Paulo
Mortalidade
Óbitos (menos de Nascidos
Ano infantil (por 1000
um ano de idade) vivos
nascidos vivos)
1996 15710 699013 22,47

1997 15159 701947 21,60
1998 13756 693413 19,84
1999 12796 714428 17,91
2000 11922 687779 17,33
2001 10437 632483 16,50
2002 9534 623302 15,30
2003 9273 610555 15,19
2004 8959 618080 14,49
2005 8353 618880 13,50
2006 8078 603368 13,39
2007 7774 595408 13,06
2008 7585 601795 12,60
2009 7482 598473 12,50
2010 7163 601352 11,91
26
Maranhão
Mortalidade
Óbitos (menos de Nascidos
Ano infantil (por 1000
um ano de idade) vivos
nascidos vivos)
1996 1069 61056 17,51

1997 1213 75392 16,09
1998 1501 79272 18,93
1999 1543 96587 15,98
2000 1898 100811 18,83
2001 2188 108527 20,16
2002 2425 117917 20,57
2003 2473 127920 19,33
2004 2213 126518 17,49
2005 2465 130266 18,92
2006 2240 127724 17,54
2007 2164 127307 17,00
2008 2110 128302 16,45
2009 2051 123635 16,59
2010 1860 119566 15,56
27
Figura 11. Coeficiente de mortalidade infantil nos Estados de São Paulo e Maranhão.
Séries temporais, 1996-2010. Fonte: DATASUS
Na sequência, são apresentadas as telas do Stata para o cálculo da tendência em

São Paulo. Para transferir os dados do Excel, copie e cole no <Data editor> do Stata.
A Tela 1 mostra como solicitar a análise de Prais-Winsten. No varal de opções do
programa, clique em <Statistics>, <Time series> e <Prais-Winsten regression>.
28
Tela 1. Como solicitar a análise de regressão de Prais-Winsten no Stata.
29
Tela 2. Como indicar as variáveis de interesse para a análise de Prais-Winsten.
30
Tela 3. Como definir a série temporal.
31
Tela 4. Resultados obtidos para a análise de regressão de Prais-Winsten (dados de São Paulo).
Na sequência, são apresentadas as telas do Stata para o cálculo da tendência em

São Paulo. Para transferir os dados do Excel, copie e cole no <Data editor> do Stata.
A Tela 1 mostra como solicitar a análise de Prais-Winsten. No varal de opções do
programa, clique em <Statistics>, <Time series> e <Prais-Winsten regression>.
No quadro que se abre (Tela 2), registre a variável dependente intitulada logcmi
(logaritmo do coeficiente de mortalidade infantil) e a variável independente (ano).
Ainda na Tela 2, clique em <Time settings> para definir a sequência de dados como
sendo uma série temporal. Na tela que se abre (Tela 3), registre o nome da variável
que marca o tempo (ano) e clique no tipo de variação temporal (Yearly) como indica-
do na Tela 3. Por fim, a Tela 4 mostra o resultado da análise, com as setas indicando
os valores do coeficiente relativo à variação anual e seu respectivo intervalo de
confiança.
32
Aplique os valores obtidos para o coeficiente e o intervalo de confiança (relativos à

variável “ano”) na Fórmula 2, e verifique que a taxa de crescimento anual da morta-
lidade infantil em São Paulo foi de –9,86%, com intervalo de confiança de –7,87% a
–11,81%. Repita o procedimento substituindo os dados de São Paulo pelos dados do
Maranhão para exercitar esta técnica.
Os valores obtidos para São Paulo comprovam a hipótese de tendência decrescente.

A taxa de incremento anual delimita a intensidade da tendência; além de ser signi-
ficantemente decrescente, este resultado aponta uma intensidade de declínio de tal
ordem que reduziu a mortalidade infantil a cerca de metade de seu valor durante
o período monitorado, como pode ser apreendido visualmente na Figura 11. Já no
Maranhão, a taxa de incremento anual foi de –0,62% ao ano, com IC95% de –2,06%
a +0,84%. Esses resultados, como vimos, são compatíveis com a hipótese de tendên-
cia estacionária. Como interpretar esses resultados? Qual a gravidade deste achado
de tendência estacionária para a mortalidade infantil no Estado mais pobre do país
durante todo esse período?
33
ATIVIDADE 2
Tendência da mortalidade infantil em dois municípios brasileiros
Objetivo: fixar as competências desenvolvidas na Atividade 1, repetindo as descrições

e análises com sobre séries temporais do coeficiente de mortalidade infantil mas agora
utilizando outras bases de dados.
O Escritório Regional no Brasil do Programa das Nações Unidas para o Desenvol-

vimento (PNUD) identificou São Caetano do Sul, em São Paulo, e Manari, em Per-
nambuco, como sendo as cidades com, respectivamente, o mais elevado (0,919) e o
menor valor (0,467) do índice de desenvolvimento humano dos municípios no Brasil
em 2010. Levando em consideração a estreita relação entre esta medida e a morta-
lidade infantil, poderíamos comparar as tendências das séries temporais da mortali-
dade infantil nestas duas cidades.
Repita os passos iniciais da atividade anterior; isto é, entre no site do DATASUS

(http://www2.datasus.gov.br/DATASUS/index.php) e clique em <Informações de
Saúde (TABNET)> e depois em <Estatísticas Vitais>. Na página que se abre, solici-
te <Óbitos infantis> e <Nascidos vivos> independentemente para cada Estado de
interesse (São Paulo e Pernambuco). Quando estiver solicitando <Óbitos infantis>,
indique <Município> na linha, <Ano do óbito> na coluna e <Óbitos p/residência> no
conteúdo. Lembre-se de selecionar todos os anos do período de interesse. Na tabela
que se abre, registre (por exemplo, copiando e colando) a linha relativa a São Cae-
tano do Sul e a Manari.
Agora repita o procedimento solicitando o número de nascidos vivos a cada ano nos
dois municípios. Em uma planilha do Excel, registre os valores obtidos para cada cida-
de e calcule o coeficiente de mortalidade infantil dividindo o número de óbitos a cada
ano pelo número de nascidos vivos e multiplicando o resultado por 1000.
34
Com base nas séries temporais obtidas, faça o gráfico no Excel e calcule o valor da ten-
dência nos dois municípios. Compare a magnitude dos valores: qual das duas cidades
teve padrão mais elevado de mortalidade infantil? Qual é a tendência deste índice em
São Caetano do Sul? E em Manari? Verifique que há rugosidade acentuada (variação
aleatória) nas séries temporais delineadas. Esse efeito foi maior para as medidas aferi-
das para cidades nesta atividade, do que para as medidas aferidas para estados, como
na Atividade 1. Observe que a variação aleatória foi maior para a cidade de Manari, o
que pode ter prejudicado a aferição da tendência da mortalidade infantil nesta cidade.
Procure refletir sobre os possíveis motivos do aumento da variação aleatória. Ao foca-
lizar cidades, em vez de estados, o número mais reduzido de eventos pode prejudicar
a análise. Nesse sentido, é importante fazer a crítica da base de dados. O número de
óbitos infantis a cada ano em São Caetano do Sul e Manari pode não ser suficiente-
mente elevado para permitir uma análise estável.
2.2 Modelar sazonalidade

Vimos que as séries temporais podem ter variação sazonal. O termo se refere à sazão, palavra
pouco usual atualmente, que é sinônimo de estação. Com isso, quando se identifica repetições
em períodos mais extensos (dois anos ou mais), isto é, que não são relativas às estações, fala-se
que o fenômeno tem variação cíclica, em vez de sazonal.
Para identificar se há variação sazonal, é preciso decompor a série temporal, isolando o com-
ponente sazonal e verificando se atende à hipótese de significância estatística. Essa decom-
posição usa a equação de regressão linear com componentes específicos para aferir a tendên-
cia e sazonalidade.
As variações sazonais podem ser aferidas por meio de medidas tomadas mês a mês, semana
a semana ou dia a dia. Vamos estudar uma metodologia prática para determinar se há ou não
há variação sazonal estatisticamente significante. O procedimento descrito a seguir consiste
na forma mais simples de decomposição das séries temporais e foi originalmente proposto por
Serfling (1963). Será preciso isolar o componente sazonal e verificar se ele atende à hipótese de
significância estatística.
35
Uma primeira consideração diz respeito à forma de registro do tempo nas avaliações de sazona-
lidade. É preciso reconhecer que há alguma irregularidade nesse registro. Se as medidas foram
tomadas mês a mês, são utilizados os meses do calendário, enumerando-os sequencialmente
(1, 2, 3, ..., mês genérico “i”, ..., mês final “n”). Mas sabemos que os meses não são exatamente
iguais entre si. Alguns têm 30 dias, outros têm 31, e fevereiro tem 28 ou 29 dias, dependendo do
ano. Apesar disso, é fácil representar os dados segundo o mês de sua ocorrência no calendário,
mesmo reconhecendo que os meses não são regulares no número de dias.
Uma dificuldade análoga é encontrada quando se trabalha com dados discriminados por sema-
na. O ano não pode ser dividido de modo exato por semanas de sete dias. Para lidar com esta
dificuldade, considera-se que cada ano é dividido em 52 semanas epidemiológicas, o que obriga
uma ou duas semanas a ter oito dias, dependendo se o ano é bissexto ou não. Quando os dados
forem discriminados dia a dia, a solução encontrada para manter a regularidade de 365 dias
ao ano consiste em considerar que o registro relativo ao dia 29 de fevereiro é acrescido ao dia
antecedente, ou são considerados em média.
Estas soluções não são ideais, mas são aproximações plausíveis, factíveis e necessárias. Traba-
lharemos com meses que diferem entre si quanto ao número de dias. Teremos semanas cuja
extensão de sete dias terá pelo menos uma exceção a cada ano. Se os dados forem diários, nos
anos bissextos, o dia 29 de fevereiro deverá ser aritmeticamente integrado ao dia anterior, para
não romper a frequência de 365 dias por ano, que é necessária para a análise estatística.
Para avaliar se a variação existente na série temporal tem ou não tem alguma regularidade
sazonal, será preciso decompor a série temporal em dois componentes, utilizando a equação
de regressão linear, aos moldes do que foi apresentado na Figura 10. Para atender ao requisito
de modelar a variação sazonal, a equação de regressão é escrita como indicado na Fórmula 3:
Fórmula 3: equação de regressão linear com componente sazonal
Y(i) = b0 + b1*X(i) + b2*sen[2πX(i)/L] + b3*cos[2πX(i)/L]
Nesta equação, Y(i) é a medida da série temporal para cada medida diária, semanal ou men-
sal correspondente ao momento genérico “i” e X(i) é a numeração sequencial dos momentos
de tomada da medida (dia, semana, mês). π é a conhecida constante 3,141592654... e L é uma
constante relativa à forma da medida: 12 se a medida for mensal, 52 para medidas semanais e
365 para medidas diárias. Quanto aos coeficientes de regressão, b0 é a constante ou intercepto,
b1 é o estimador de tendência da série temporal e b2 e b3 são os coeficientes que modelam a
variação sazonal. Esta equação decompõe a série temporal em duas componentes, um para a
tendência, outro para a sazonalidade.
36
Uma vez calculada a série de valores do termo sazonal, pode-se executar a análise de regressão
linear para estimar os coeficientes de regressão b0, b1, b2 e b3, e seus respectivos intervalos
de confiança 95%. De modo análogo ao que fora informado ao estimar a tendência, reitera-se
a indicação para não utilizar regressão linear simples para análise de séries temporais, pois
um dos requisitos para esta modalidade de análise é que os resíduos da equação de regressão
sejam aleatórios, o que não ocorre com medidas populacionais organizadas no tempo, as quais
frequentemente apresentam autocorrelação serial elevada. A autocorrelação serial tem como
efeito superestimar os indicadores de qualidade de ajuste da equação de regressão, o que, em
muitos casos, implica em inversão das conclusões da análise estatística, fazendo com que varia-
ções pouco expressivas tendam a ser indevidamente indicadas como significantes. Nesse senti-
do, deve-se utilizar os procedimentos de Prais-Winsten ou de Cochrane-Orcutt para a análise de
regressão linear em séries temporais.
Na equação de regressão, se os coeficientes b2 e/ou b3, relativos ao seno e cosseno do termo

sazonal, forem estatisticamente diferentes de zero (conforme indicado pelo IC95% ou por valo-
res de p < 0,05), conclui-se que há variação sazonal significante. De modo complementar, con-
clui-se que a variação sazonal observada em uma série temporal pode ser atribuída ao acaso,
se estes coeficientes não forem significantes, isto é, não diferirem estatisticamente de zero no
teste de hipótese (p > 0,05 ou IC95% incluindo o zero).
Para exercitar a metodologia de detecção de variação sazonal nas séries temporais, vamos con-
siderar um problema prático de pesquisa. A Figura 12 mostra a série temporal da mortalidade
de idosos (65 anos ou mais) por gripe e pneumonia nas regiões Nordeste e Sul do Brasil, do
início de 1999 ao fim de 2009. Para favorecer a comparação visual, as séries temporais da mor-
talidade observada foram acompanhadas pelas séries da mortalidade esperada e pelo limiar
epidêmico em cada região, de modo análogo à Figura 5.
Sabe-se que a mortalidade por gripe e pneumonia é maior nos períodos mais frios do ano (An-
tunes et al., 2007). Mas há pouca variação climática entre o inverno e o verão no Nordeste, o
que justifica avaliar a hipótese de que não seja estatisticamente significante a variação sazonal
observada na mortalidade de idosos por gripe e pneumonia nesta região.
Uma primeira observação diz respeito ao fato de que a série tem tendência estacionária na
região Sul e crescente na região Nordeste. No estudo do qual esta imagem foi reproduzida,
esta diferença foi interpretada como sendo devida ao progressivo aumento da capacidade do
Sistema de Informações sobre Mortalidade em identificar as causas básicas de óbito em idosos
residentes no Nordeste; enquanto, na região Sul, esta capacidade já era elevada desde o início
do monitoramento.
37
A magnitude dos coeficientes de mortalidade é menor na região Nordeste que na Sul. Observe,
inclusive, que a escala vertical utilizou valores menos elevados para a região Nordeste. Também
a amplitude de variação entre as estações, a cada ano, é menor na região Nordeste que na região
Sul. Estas observações podem induzir a hipótese de que a variação sazonal da mortalidade de
idosos por gripe e pneumonia na região Nordeste não seja estatisticamente significante. Vamos
empregar a metodologia sintetizada na Fórmula 3 para testar esta hipótese.
Figura 12. Séries temporais da mortalidade semanal de idosos (65 anos ou mais) por influenza e
pneumonia nas regiões Sul e Nordeste, 1999-2009. Mortalidade observada, mortalidade esperada e
limiar epidêmico previsto. Fonte: Oliveira (2013)
Com base na aplicação dos valores observados da série temporal da mortalidade de idosos por
gripe e pneumonia na região Nordeste, a Fórmula 3 permite encontrar os seguintes coeficientes
de regressão: b2 = 0,229 e b3 = –0,221. Os intervalos de confiança das duas medidas incluem o
zero e os valores de p correspondentes são, respectivamente, p = 0,069 para o coeficiente rela-
tivo ao seno (b2) e p = 0,074 para o coeficiente relativo ao cosseno (b3). Com base nesses dados,
concluímos que não houve variação sazonal significante do ponto de vista estatístico (p > 0,05)
na mortalidade de idosos por gripe e pneumonia na região Nordeste.
38
Quando o mesmo procedimento é aplicado à região Sul, os valores encontrados apontam a

conclusão inversa. Foram calculados os seguintes valores para os coeficientes de regressão:
b2 = –0,553 e b3 = –0,846. Para ambos, os valores de p foram menores que 0,001. Em outras
palavras, a variação sazonal na medida de interesse, para a região Sul, não pode ser conside-
rada como tendo ocorrido ao acaso, e a variação sazonal na mortalidade de idosos por gripe e
pneumonia na região Sul é considerada estatisticamente significante.
ATIVIDADE 3
Avaliação de sazonalidade na incidência de leptospirose
Objetivo: ao final desta atividade os estudantes serão capazes de formular hipóteses

sobre a variação sazonal em séries temporais e testar essas hipóteses utilizando a aná-
lise de regressão linear segundo o procedimento de Prais-Winsten.
Sabe-se que o período de verão é mais chuvoso no Estado de São Paulo, enquanto o
inverno tem clima mais seco. As chuvas de verão são fortes e intensas, o que propicia
alagamentos nos grandes centros urbanos. Esta condição pode favorecer a transmis-
são da leptospirose. Nesta atividade, vamos testar a hipótese de variação sazonal na
incidência desta doença no Estado de São Paulo.
No site do DATASUS (http://www2.datasus.gov.br/DATASUS/index.php), para acessar

dados do Sistema de Informação de Agravos de Notificação (SINAN), é preciso selecio-
nar <Informações de Saúde (TABNET)>; <Epidemiológicas e Morbidade>; e <Doenças e
Agravos de Notificação (SINAN)>. Para “leptospirose”, é possível selecionar o período
de interesse, com dados discriminados por mês e ano dos primeiros sintomas. Transfira
os dados para o Excel e tente delinear para o período mais recente o gráfico análogo
à Figura 13, que informa o período de 2001 a 2006.
39
A percepção visual de variação sazonal coincide com a hipótese formulada no primeiro

parágrafo desta Atividade. A incidência de leptospirose é mais elevada nos meses de
janeiro a março de todos os anos do monitoramento. Resta saber se essa variação é
estatisticamente significante.
Figura 13. Série temporal da incidência mensal de leptospirose no Estado de São Paulo,
2001-2006. Fonte: Sistema de Informação de Agravos de Notificação – SINAN
Para esta finalidade, transfira os dados da série temporal para os programas de aná-
lise estatística que efetuam a análise de regressão linear segundo o procedimento
de Prais-Winsten e procure avaliar os valores de b2 e b3 da fórmula 3. Na análise dos
dados que geraram a Figura 13, os valores obtidos foram b2 = 42,393 (erro padrão
5,938) e b3 = 21.921 (erro padrão 5,821). Ambos os resultados resultam em p < 0,001,
indicando a conclusão de que a variação sazonal é estatisticamente significante.
40
2.3 Alisamento das séries temporais

Nas seções anteriores, procuramos mostrar a complexidade da análise de variação das séries
temporais, com as várias dimensões que são relevantes e devem ser consideradas na apreciação
visual dos gráficos: tendências, variações cíclicas, sazonalidade, variações aleatórias. Procura-
mos, também, sublinhar a importância da disposição gráfica das séries temporais.
No entanto, a variação aleatória nas séries temporais, como o ruído na música, pode prejudicar a
percepção dos componentes mais importantes de variação nas séries temporais. Para lidar com
esse problema, apresentamos nesse item um recurso metodológico que tem como objetivos
instrumentar a análise exploratória das séries temporais, favorecer sua visualização gráfica e
evidenciar seus componentes de variação.
Vimos que a variação aleatória das séries temporais consiste em flutuações irregulares e erráti-
cas que não são importantes, e são causadas por fatores que ocorrem ao acaso e não podem ser
antecipados, detectados, identificados ou eliminados. No entanto, assim como a manifestação
de ruído prejudica a percepção da música e de seus componentes (melodia, harmonia e ritmo),
a variação aleatória pode dificultar a análise da série temporal e a detecção de sua tendência,
seus fatores associados e variação sazonal. Nesse sentido, pode ser importante suprimir, ao
menos em parte, a variação aleatória nos gráficos.
O recurso que permite reduzir a variação aleatória é o ‘alisamento’ das séries temporais. Este
termo deriva, por contraste, da percepção de que a variação aleatória representa certa ‘rugo-
sidade’ no delineamento gráfico da série temporal. Isto é, quando a ‘rugosidade’ causada pela
variação aleatória é reduzida, tem-se como resultado uma série temporal ‘alisada’.
Fórmula 4: Alisamento de séries temporais por médias móveis simples
Sendo Y(1), Y(2), Y(3), ..., Y(i), ... Y(n) os valores da série original,
Y’(1), Y’(2), Y’(3), ..., Y’(i), ... Y’(n) os valores da série modificada, e
1, 2, 3, ..., i, ... n, os períodos de referência das medidas.
Médias móveis de ordem 2: Y’(i) = [Y(i) + Y(i-1)]/2
Médias móveis de ordem 3: Y’(i) = [Y(i) + Y(i-1) + Y’(i-2)]/3
Médias móveis de ordem k: Y’(i) = {Y[i] + Y[i-1] + ... + Y’[i-(k-1)]}/k
41
Há diferentes métodos para alisar as séries temporais. Esses métodos consistem em substituir a
série de valores originais por uma série de valores modificados. As equações da Fórmula 4 siste-
matizam o método de médias móveis simples, possivelmente o mais fácil de ser executado.
A série temporal fica tanto mais alisada, quanto maior a ordem do procedimento de médias mó-
veis. Observa-se, no entanto, que a adoção de uma ordem muito elevada resulta em supressão de
variações mais relevantes. Isto é, não apenas a variação aleatória terá sido reduzida, mas também
pode se tornar mais difícil a percepção de tendências e de variação cíclica ou sazonal.
A Figura 14 mostra um exemplo de aplicação do procedimento de médias móveis de ordem 3

para a disposição gráfica da série temporal da mortalidade por câncer de orofaringe na cidade
de São Paulo. Com a redução da variação aleatória, o gráfico coloca em evidência os elementos
de maior significado na comparação visual: a tendência crescente em ambos os grupos etários, e
o fato de que os idosos apresentaram maior magnitude de mortalidade pela doença e tendência
mais elevada (série mais inclinada em direção ao eixo vertical).
Figura 14. Médias móveis (ordem 3) da mortalidade (por 100 mil habitantes) por câncer de orofarin-
ge na cidade de São Paulo, 1980-2002. Fonte: Biazevic et al. (2006)
Outro exemplo de aplicação pode ser fornecido para o gráfico da mortalidade de idosos por
gripe e pneumonia na região Nordeste. A apresentação de dados semanais resultava uma série
com rugosidade, isto é, com acentuada variação aleatória. A Figura 15 reproduz a série origi-
nal dos valores observados e as séries modificadas com os valores obtidos para o alisamento
de médias móveis de ordem 3 e 5. Observe como, de fato, houve alisamento progressivo, sem
prejuízo da percepção dos demais componentes da série temporal: tendência estacionária na
primeira metade e crescente na segunda, variação sazonal em toda a série.
42
Figura 15. Série temporal da mortalidade semanal de idosos (65 anos ou mais) por gripe e pneumo-
nia na região Nordeste, 1999-2009. Alisamento por médias móveis (de ordem 3 e 5) para redução
da variação aleatória. Fonte: Oliveira (2013)
43
ATIVIDADE 4
Alisamento de séries temporais
Objetivo: ao final dessa atividade, os estudantes serão capazes de elaborar gráficos de

séries temporais, empregando o recurso prático do alisamento por médias móveis para
aprimorar a visualização das séries temporais.
A Figura 4 pôs em evidência a hipótese de associação entre a mortalidade por todas as

causas e a temperatura média diária (Gouveia et al., 2003). Com essa ideia em mente,
esta atividade visa exercitar as técnicas de construção de gráficos para as séries tem-
porais, explorando o recurso de alisamento para reduzir a variação aleatória e, assim,
enfatizar os demais elementos das séries temporais.
A tabela 2 informa o total de óbitos de pessoas com 60 anos ou mais, residentes nos
Estados do Ceará e do Rio Grande do Sul. Como as variações climáticas entre inverno
e verão são mais intensas na região sul que na região nordeste do país, pode-se testar
visualmente a hipótese de haver variação sazonal desta medida no Rio Grande do Sul e
não haver no Ceará. Copie e cole esses dados no Excel e construa o diagrama de linhas
para ambas as séries.
Observe a variação aleatória que aparece nas duas séries sob a forma de rugosidade
da linha. Para reduzir esse efeito e pôr em evidência a variação sazonal, construa o
gráfico das séries modificadas por meio do recurso de alisamento, com médias móveis
de ordem 4. Confira se o resultado obtido coincide com a Figura 16, e responda às
seguintes perguntas: Por que a magnitude dos valores foi sempre mais elevada no Rio
Grande do Sul que no Ceará? Há variação sazonal nos dois Estados? O alisamento por
médias móveis favoreceu a percepção visual da comparação das duas séries quanto à
variação sazonal?
44
Tabela 2. Número de óbitos por semana, pessoas com 60 anos ou mais, residentes nos
Estados do Ceará e Rio Grande do Sul, 2007-2009. Fonte: DATASUS
CE 491 434 478 479 439 445 448 458 493 490 477 501 520 533 449
RS 979 810 770 824 839 796 846 799 861 826 817 855 868 822 868
CE 487 515 525 541 492 512 485 516 512 496 519 457 463 439 432
RS 859 818 837 909 1002 1003 1180 1205 1164 1149 1221 1287 1335 1306 1379
CE 452 465 437 463 445 504 467 489 431 435 478 451 441 436 474
RS 1318 1292 1165 1113 1136 1085 1001 953 1002 954 887 913 891 840 914
CE 409 501 436 438 493 477 463 553 463 481 469 527 498 565 530
RS 881 860 913 916 826 817 833 1044 840 781 782 802 849 834 858
CE 632 516 498 529 552 583 568 602 570 521 551 560 529 548 558
RS 889 844 824 847 812 833 895 886 831 966 1074 1010 940 1021 1014
CE 594 522 532 541 501 522 499 515 482 521 516 476 486 517 525
RS 1165 1167 1131 1107 1064 1054 994 999 1114 1055 999 1003 1006 1062 1063
CE 524 523 479 524 492 498 472 457 454 501 485 446 511 488 570
RS 1017 939 1022 999 886 935 925 870 909 924 897 869 985 861 1035
CE 480 437 532 476 482 498 505 540 596 629 679 618 678 644 612
RS 857 858 898 918 953 879 809 901 800 813 877 875 877 906 867
CE 595 652 591 629 565 596 519 525 531 582 532 536 499 533 499
RS 896 941 924 958 987 1015 1137 1207 1170 1177 1170 1174 1202 1425 1415
CE 489 510 516 523 499 502 521 506 499 494 475 465 508 499 469
RS 1242 1165 1063 1069 963 985 932 1004 1096 1014 969 1017 1099 964 892
CE 495 487 494 504 460 531
RS 941 937 884 898 1007 960
45
Figura 16. Número de óbitos por semana, pessoas com 60 anos ou mais, residentes
nos Estados do Ceará e Rio Grande do Sul, 2007-2009: (1) valores observados; (2) série
alisada (médias móveis de ordem 4). Fonte: DATASUS
46
MÓDULO 3
Séries temporais
interrompidas e avaliação das
intervenções em saúde
47
SÉRIES TEMPORAIS INTERROMPIDAS

E AVALIAÇÃO DAS INTERVENÇÕES EM SAÚDE
Uma série temporal é uma sequência de valores de uma característica populacional de interes-
se, sendo esses valores aferidos de forma repetida com uma frequência regular. Diz-se que há
interrupção em uma série temporal é possível identificar visualmente (por meio de dispositivos
gráficos) ou por meio de cálculo que houve, em algum momento, uma mudança de nível e/ou
tendência nos valores observados (Bernal et al., 2017). O conceito de série temporal interrom-
pida é particularmente interessante quando se pretende avaliar se há associação entre essa
mudança de nível e/ou tendência e a ocorrência de eventos, como programas de saúde.
A análise de séries temporais interrompidas foi considerada o mais efetivo recurso não expe-
rimental para avaliar o efeito longitudinal de intervenções em saúde (Penfold et al., 2013).
Entretanto, sua aplicação não se restringe a isso, servindo também para testar hipóteses sobre
fatores que modificam o comportamento no tempo das medidas de interesse para a saúde.
3.1 Modelos de regressão segmentada

Ajustar modelos de regressão segmentada é um recurso analítico para a análise de séries tempo-
rais interrompidas. Para esse fim, é preciso segmentar, algébrica e graficamente, a série temporal.
O método sintetizado a seguir foi sistematizado por Wagner et al. (2002). Dois parâmetros definem
cada segmento da série: nível e tendência. O nível é o valor inicial da série em cada segmento; a
tendência é a mudança percentual dos valores ao longo do período compreendido pelo segmento.
A ideia é avaliar se, quando ocorre uma intervenção, há impacto imediato (mudança de nível) e/ou
impacto progressivo (mudança de tendência) nos valores da série. Para fins práticos, e seguindo
uma analogia visual, vamos chamar de ‘degrau’ à mudança de nível (impacto imediato) e de ‘ram-
pa’ à mudança de tendência (impacto progressivo). Esses termos correspondem a mudanças que
podem ser percebidas nas representações gráficas das séries temporais.
Tomando a Fórmula 1 como referência, a Fórmula 5 sintetiza a análise de regressão segmen-

tada com dois e três segmentos. É possível incluir mais segmentos, se houver interesse e o
número de observações permitir. Para esse fim, consideremos que ao menos oito pontos são
desejáveis para configurar cada segmento. Também é possível incluir os termos da avaliação de
sazonalidade, como indicados na Fórmula 3.
48
Fórmula 5
Equação de regressão com dois segmentos: Y = b0 + b1*tempo + b2*degrau + b3*rampa
Equação de regressão com três segmentos:
Y = b0 + b1*tempo + b2*degrau1 + b3*rampa1 + b4*degrau2 + b5*rampa2
A variável ‘degrau’ é construída de modo dicotômico, com valores de 0 (zero) em todos os

pontos anteriores à intervenção e valores de 1 (um) na vigência da intervenção, isto é, após o
início do segmento. A variável ‘rampa’ mede o tempo após a intervenção, sendo construída com
0 (zero) nos pontos que antecedem a intervenção e valores sequenciais – 1,2,3... – após o início
do segmento. O procedimento é análogo quando se utilizam três ou mais segmentos.
Em seguida, basta encontrar os coeficientes da regressão Prais-Winsten que ajustam os pontos

da série ao degrau e à rampa. Quando se encontra um degrau significantemente diferente
de zero, pode-se interpretar que a intervenção teve impacto imediato positivo ou negativo,
segundo o sinal do coeficiente de regressão, sobre os valores da série temporal.
Quando se encontra uma rampa significantemente diferente de zero, pode-se interpretar,

de modo independente ou conjugado à avaliação do degrau (ou impacto imediato), que a
intervenção teve impacto progressivo positivo ou negativo sobre os valores da série temporal,
também dependendo do sinal do respectivo coeficiente de regressão.
Quando nenhuma das duas medidas difere de zero de modo estatisticamente significante,
interpreta-se que a intervenção (ou o fator que está sendo testado) não associou com a série
temporal. Ou, em outras palavras, não impactou, nem de modo imediato, nem de modo
progressivo, nas medidas de interesse para a análise.
Exemplificando a aplicação da Fórmula 5, observa-se que a série temporal da mortalidade infantil

na cidade de São Paulo (Figura 3) apresenta três segmentos. O primeiro deles durou até 1960, com
tendência decrescente e forte variação aleatória. O segundo segmento corresponde à inversão de
tendência e crescimento da medida, de 1961 a 1973. O terceiro segmento, subsequente, mostra a
retomada do declínio. A análise de regressão (Fórmula 5) forneceu os coeficientes para aplicação
na Fórmula 2, permitindo calcular a taxa de mudança anual.
No primeiro segmento houve declínio, medido por b1: a cada ano, mudança da mortalidade
infantil foi, em média, -1,92% (IC95%: -2,25%;-1,59%); o sinal negativo indicando redução. Por
meio de b3, identifica-se que houve incremento progressivo na mortalidade infantil no segundo
segmento. Esse incremento foi de 3,96% (IC95%: 1,21%;6,77%) ao ano no. No terceiro segmento,
indicado pelo valor de b5, houve retomada do declínio, com maior intensidade: -7,75% (IC95%:
49
-10,64%;-4,76%) ao ano. Os coeficientes b2 e b4 não diferiram significantemente de zero

(respectivamente, p=0,163 e p=0,488), indicando, respectivamente, que não houve mudança
de nível (degrau) na transição do primeiro para o segundo segmento, nem para a transição do
segundo para o terceiro segmento.
ATIVIDADE 5
Análise de séries temporais interrompidas
Objetivo: Ao final dessa atividade, os estudantes serão capazes de avaliar o efeito de

intervenções em saúde quanto à possível mudança de nível e de tendência das séries
temporais de medidas de interesse para a saúde.
A Tabela 3 apresenta a série temporal do número de atendimentos médicos (primeira

consulta ambulatorial) por queixa de otite, em crianças de dois a 23 meses de idade,
por 100.000, na cidade de Goiânia, em Goiás. O objetivo do estudo (Sartori et al., 2017)
que originalmente levantou esses dados junto ao Sistema de Informações Ambulatoriais
(SIA-SUS) foi avaliar o possível impacto da introdução da vacina pneumocócica 10-va-
lente em junho de 2010 sobre a incidência de otite média. Para estimar a incidência, foi
considerada o número de consultas médicas como medida de interesse.
Como primeiro desafio, procure reproduzir a Figura 17, plotando a série temporal do
desfecho epidemiológico de interesse. Observe, no gráfico, se há indícios de tendência
no número de consultas. Observe se há variação sazonal nessa medida. Por fim, obser-
ve se há modificação de nível (degrau) e/ou tendência (rampa) associada à introdução
da vacina pneumocócica 10-valente em junho de 2010.
Em seguida, procure modelar esses movimentos por meio da análise de regressão de

Prais-Winsten, conforme explicado anteriormente. Verifique quais desses movimentos
são significantes do ponto de vista estatístico. Para discutir as justificativas conceitu-
ais sobre os achados, confira o relatório original da pesquisa que deu origem a esses
dados (Sartori et al., 20143).
50
Tabela 3. Taxa de primeiras consultas médicas em crianças de dois a 23 meses de idade

(por 100.000) por queixas de otite em Goiânia, de janeiro de 2008 a agosto de 2013.
Fonte: DATASUS
Ano Mês Tempo Otite Seno Cosseno Degrau Rampa

2008 1 1 21,9302 0,5 0,86603 0 0
2008 2 2 30,2074 0,86603 0,5 0 0
2008 3 3 42,6276 1 6,1E-17 0 0
2008 4 4 42,3286 0,86603 -0,5 0 0
2008 5 5 43,303 0,5 -0,86603 0 0
2008 6 6 50,012 1,2E-16 -1 0 0
2008 7 7 45,8916 -0,5 -0,86603 0 0
2008 8 8 34,1154 -0,866 -0,5 0 0
2008 9 9 34,4498 -1 -1,8E-16 0 0
2008 10 10 43,4008 -0,866 0,5 0 0
2008 11 11 34,8002 -0,5 0,86603 0 0
2008 12 12 41,2042 -2E-16 1 0 0
2009 1 13 19,1734 0,5 0,86603 0 0
2009 2 14 19,1821 0,86603 0,5 0 0
2009 3 15 38,0616 1 1,2E-15 0 0
2009 4 16 42,2386 0,86603 -0,5 0 0
2009 5 17 38,4161 0,5 -0,86603 0 0
2009 6 18 42,2768 3,7E-16 -1 0 0
2009 7 19 45,8206 -0,5 -0,86603 0 0
2009 8 20 39,1093 -0,866 -0,5 0 0
2009 9 21 35,2784 -1 -4,3E-16 0 0
2009 10 22 42,995 -0,866 0,5 0 0
2009 11 23 47,1874 -0,5 0,86603 0 0
2009 12 24 33,0782 -5E-16 1 0 0
2010 1 25 26,6673 0,5 0,86603 0 0
2010 2 26 24,4293 0,86603 0,5 0 0
2010 3 27 42,449 1 5,5E-16 0 0
2010 4 28 37,3205 0,86603 -0,5 0 0
2010 5 29 35,4061 0,5 -0,86603 0 0
2010 6 30 40,8965 2,4E-15 -1 1 1
2010 7 31 34,1495 -0,5 -0,86603 1 2
2010 8 32 32,231 -0,866 -0,5 1 3
2010 9 33 33,8579 -1 1,1E-15 1 4
2010 10 34 29,0341 -0,866 0,5 1 5
51
Ano Mês Tempo Otite Seno Cosseno Degrau Rampa

2010 11 35 25,1743 -0,5 0,86603 1 6
2010 12 36 28,4146 -7,4E-16 1 1 7
2011 1 37 22,2897 0,5 0,86603 1 8
2011 2 38 23,5925 0,866025 0,5 1 9
2011 3 39 34,2731 1 2,6E-15 1 10
2011 4 40 25,8781 0,866025 -0,5 1 11
2011 5 41 22,0064 0,5 -0,866 1 12
2011 6 42 22,0163 8,58E-16 -1 1 13
2011 7 43 19,7588 -0,5 -0,866 1 14
2011 8 44 21,7121 -0,86603 -0,5 1 15
2011 9 45 24,6398 -1 8,6E-16 1 16
2011 10 46 24,9753 -0,86603 0,5 1 17
2011 11 47 23,3641 -0,5 0,86603 1 18
2011 12 48 18,5049 -9,8E-16 1 1 19
2012 1 49 17,5389 0,5 0,86603 1 20
2012 2 50 16,572 0,866025 0,5 1 21
2012 3 51 24,3816 1 2,8E-15 1 22
2012 4 52 20,1645 0,866025 -0,5 1 23
2012 5 53 22,1259 0,5 -0,866 1 24
2012 6 54 27,0189 1,1E-15 -1 1 25
2012 7 55 21,4946 -0,5 -0,866 1 26
2012 8 56 22,1559 -0,86603 -0,5 1 27
2012 9 57 23,4698 -1 -3E-15 1 28
2012 10 58 23,1543 -0,86603 0,5 1 29
2012 11 59 19,9021 -0,5 0,86603 1 30
2012 12 60 16,9734 -4,8E-15 1 1 31
2013 1 61 10,7765 0,5 0,86603 1 32
2013 2 62 16,0087 0,866025 0,5 1 33
2013 3 63 20,9188 1 -5E-16 1 34
2013 4 64 22,2363 0,866025 -0,5 1 35
2013 5 65 25,8451 0,5 -0,866 1 36
2013 6 66 18,6562 -2,2E-15 -1 1 37
2013 7 67 18,0098 -0,5 -0,866 1 38
2013 8 68 18,0179 -0,86603 -0,5 1 39
Fonte: Sartori et al. (2017)
52
Quando se ajusta o modelo de regressão com os valores originais da Tabela 3, en-

contra-se ausência de modificação estatisticamente significante tanto para o nível
como para a tendência da série temporal. Esse resultado, contrasta com a percepção
visual de mudança na tendência, de estacionária, no período inicial, para decres-
cente, após o início da vacinação. A elevada variação aleatória da taxa mensal de
consultas ambulatoriais parece ter contribuído, ao menos em parte, para esse resul-
tado. O ruído elevado, como dito anteriormente, prejudica a percepção dos demais
movimentos da série temporal.
Figura 17. Taxa de primeiras consultas médicas em crianças de dois a 23 meses de ida-
de (por 100.000) por queixas de otite em Goiânia, de janeiro de 2008 a agosto de 2013.
Fonte: DATASUS
Para reduzir a variância global da medida e possibilitar o cálculo da taxa de mu-

dança anual por meio da Fórmula 2, vamos tentar a transformação logarítmica da
série temporal.
53
Confira os valores encontrados após a transformação logarítmica:
b1 (tempo) = 1,47*10-4 (-4,40*10-4 a +4,69*10-4), p = 0,949 – indicando que a

série temporal é estacionária;
b2 (degrau) = -7,29*10-2 (-17,20*10-2 a +2,61*10-2) p = 0.146 – indicando que a

vacinação não associou com mudança de nível no número de consultas médicas
por otite em crianças;
b3 (rampa) = -6,81*10-3 (-12,01*10-3 a -1,31*10-4) p = 0.016 – indicando que a

tendência no número de consultas passou a ser decrescente com a vacinação;
b4 (seno) = -2,89*10-2 (-6,38*10-2 a +0,60*10-2) p = 0.103 – indicando ausência

de associação significante; e
b5 (cosseno) = -6,42*10-2 (-9,87*10-2 a -2,96*10-2) p < 0.001 – indicando presen-

ça de associação significante.
O resultado de ausência de mudança de nível (degrau) e a presença de mudança de

tendência (rampa) é compatível com a intervenção em questão. O início da vacinação
em junho de 2010 não teve impacto imediato no número de consultas médicas por
otite (degrau) porque não é viável esperar uma elevada cobertura vacinal logo no
primeiro mês em que a medida foi adotada. A cobertura vacinal foi progressiva; o nú-
mero de consultas por otite passou a declinar de modo associado com o presumido
crescimento mensal da cobertura vacinal.
Com isso, os dados analisados indicam favoravelmente quanto à efetividade da vaci-

na antipneumocócica 10-valente para reduzir a incidência de otite média.
54
Considerações finais
Recapitulando o início desse texto, as primeiras frases da Introdução propunham ser a análise
de séries temporais uma perspectiva de antevisão do futuro. Retomemos agora essa ideia, para
refletir como esta capacidade se realiza.
Uma primeira e mais óbvia forma diz respeito à previsão dos valores da série temporal em
momentos futuros. Isto pode ser feito por meio da equação de regressão linear, levando em
consideração a curva de melhor ajuste de seus pontos. Quando se conhece a tendência, é fácil
projetar a série alguns pontos para adiante, baseado na hipótese de que a tendência se mante-
nha, pelo menos no futuro próximo. A previsão dos valores futuros também pode ser feita por
procedimentos estatísticos mais complexos, como a metodologia ARIMA, cuja aplicação deman-
da treinamento especializado adicional.
Esse tipo de previsão é muito utilizado em Econometria, para o planejamento de negócios,

para a administração de empresas. Tem relevância também, decerto, para a programação dos
serviços de saúde. No contexto da emergência da pandemia de covid-19, por exemplo, foi muito
importante prever antecipadamente a demanda por leitos hospitalares em unidades de terapia
intensiva. Ressalta-se, contudo, que a imprecisão das estimativas sobre o futuro é tanto maior
quanto mais se distancia do presente. Além disso, não é infrequente em atividades humanas
que ocorra alguma intercorrência inesperada, o que pode representar fonte de erro adicional
não passível de predição.
Para variáveis quantitativas, é sempre possível conhecer efetivamente os valores que foram
medidos no passado, mas não os que serão medidos no futuro. Afora essa diferença óbvia, nada
diferencia, tecnicamente, a previsão do futuro e a previsão do passado. Uma segunda forma de
aplicar o instrumental preditivo da análise de séries temporais se refere à previsão do passado.
Esse tipo de previsão pode parecer estranho e desnecessário. No entanto, esta análise foi van-
tajosamente empregada nas séries temporais das figuras 5 e 12, as quais modelaram, com base
na tendência e sazonalidade, a previsão de como seria a mortalidade esperada por gripe e pneu-
monia em idosos, se não houvesse a intercorrência de variação aleatória e de surtos epidêmicos.
E, com base nesta previsão do passado, foi possível evidenciar os surtos de gripe manifestados
nos momentos em que as medidas observadas ultrapassaram o limiar epidêmico calculado com
base na mortalidade estimada, isto é, a previsão sobre o passado.
São empregadas as expressões latinas “ex ante” e “ex post” para referir, respectivamente, as
modalidades de previsão do futuro e do passado. Do ponto de vista técnico, estas modalidades
55
de previsão não são diferentes. Os mesmos instrumentos utilizados para prever valores de vari-
áveis quantitativas no futuro servem para prever os valores do passado. Para exemplificar com
um estudo epidemiológico que aplicou as duas modalidades de previsão no mesmo gráfico, a
Figura 18 mostra a série temporal da mortalidade por tuberculose na cidade de São Paulo, du-
rante praticamente todo o século XX.
Figura 18. Série temporal da mortalidade (por 100 mil habitantes) por tuberculose na cidade de São
Paulo, 1900-1997. Fonte: Antunes & Waldman (1999)
Até meados do século, houve tendência estacionária com magnitude elevada. Nesse período, a
tuberculose foi a causa básica de cerca de 10% de todos os óbitos ocorridos a cada ano (Antunes
& Waldman, 1999). A partir de meados do século, a mortalidade por tuberculose declinou na
cidade, até o início dos anos 80, quando subitamente inflectiu e assumiu tendência crescente,
em função da associação entre a doença e a aids. Além de mostrar a mudança da tendência
nesses diferentes períodos, a figura 17 mostra a previsão para o passado, de como a doença
teria continuado a decrescer até o início dos anos 90, caso não tivesse havido a emergência da
aids. A Figura 18 também mostra a previsão para o futuro, de que a mortalidade por tuberculose
voltaria a declinar lentamente a partir de meados dos anos 90, o que de fato ocorreu; de modo
possivelmente associado à introdução da terapêutica antirretroviral, que modificou o perfil de
mortalidade da aids na cidade de São Paulo.
Existe, ainda, uma terceira forma de se pensar na análise de séries temporais como uma modalidade
de antever o futuro. Em vez de focalizar os valores que as variáveis quantitativas ordenadas
temporalmente assumirão no futuro, esta terceira forma de previsão se refere ao reconhecimento
dos padrões de variação da medida. Caso conheçamos esses padrões, compreenderemos o que
pode interferir favorável ou desfavoravelmente para o incremento ou decréscimo da medida.
56
Podemos dizer que antevimos o futuro, que conhecemos como determinado processo se
comportará, quando conseguimos caracterizar sua tendência, reconhecer sua variação sazonal
e cíclica, quando dimensionamos sua variação aleatória e identificamos os fatores associados
que causam impacto significante sobre suas medidas.
Este conhecimento sobre a estrutura de variação das séries temporais não deixa de ser uma
forma de antever o futuro. Se fosse possível separar estas duas alternativas e escolher entre ter
uma boa estimativa do valor exato de uma variável de interesse para a saúde ou de conhecer
com precisão os processos que determinam sua variação, possivelmente muitos profissionais de
saúde, em várias ocasiões, optariam pela segunda opção.
57
GLOSSÁRIO
Séries temporais – São sequências de dados quantitativos tomados em momentos específi-
cos e ordenados, que podem ser estudados segundo sua distribuição no tempo. Este módulo
descreve a utilidade deste método para os estudos epidemiológicos e sistematiza os procedi-
mentos estatísticos que tornam vantajosa sua aplicação para a saúde coletiva.
Tendência – É a variação de longa duração das séries temporais. Diz-se crescente, quando
seus valores aumentam de modo estatisticamente significante ao longo do tempo, a despeito
de outros componentes de variação (sazonal, cíclica, e aleatória). De modo análogo, diz-se
decrescente quando ocorre o inverso. E, de modo complementar, diz-se estacionária quando
a magnitude das medidas não muda substancialmente ao longo do tempo. A taxa de cresci-
mento (ou de declínio) médio anual pode ser estimada por meio de análise de regressão linear
(modelos de Prais-Winsten).
Associação – Parte do estudo das séries temporais que busca a correspondência entre seus
valores e fatos ocorridos em momentos específicos. Em particular, é útil aferir a associação
da série temporal com outras medidas ordenadas no tempo. A associação pode ser aferida e
analisada estatisticamente, com referência concomitante ou com deslocamento no tempo,
para favorecer o teste de hipóteses conceituais. A verificação estatística de associações signi-
ficantes, por si só, não permite sustentar inferências causais.
Prais-Winsten – Procedimento estatístico de análise de regressão linear especialmente de-

senvolvido para estimação de tendência e associação em séries temporais, o qual leva em
consideração a relação de dependência entre valores consecutivos da série.
Sazonalidade – Componente de variação das series temporais, que reflete a influência de

efeitos de algum modo relacionados às estações do ano. Apesar de ser esta a origem do ter-
mo, a sazonalidade não reflete apenas aspectos geográficos e climáticos; há fatores socioe-
conômicos e culturais que também são sazonais e influenciam as medidas de interesse para
a saúde. (Veja neste glossário a diferença de definição para o conceito de variação cíclica.)
Variação cíclica – São variações em ciclos periódicos e regulares. Conquanto variações

sazonais correspondam a repetições ao longo do ano; as variações cíclicas são diferenciadas
pela referência a períodos mais prolongados, isto é, dois ou mais anos. (Vide a diferença de
definição para o conceito de variação sazonal.)
58
Previsão – Com base nos valores conhecidos da série temporal, seus valores futuros podem
ser estimados levando em consideração seus diferentes componentes de variação (tendência,
associação, sazonalidade, variação cíclica e variação aleatória) por meio de diferentes recursos
estatísticos, como equações de regressão linear (modelo de Prais-Winsten) ou técnicas mais
complexas como o procedimento ARIMA. Também pode ser útil estimar seus valores passados,
para comparar os valores estimados com aqueles que foram de fato observados. Quando a
previsão se aplica a valores futuros, é denominada previsão ex-ante (antes de acontecer).
Quando se aplica a valores passados, é denominada previsão ex-post (após acontecer).
Variação aleatória – São flutuações irregulares e erráticas, sem importância em termos de

magnitude (quando comparada aos valores aferidos), e que são causadas por fatores que ocorrem
ao acaso e não podem ser antecipados, detectados, identificados ou eliminados.
Ruído – Forma usual de se referir ao componente de variação aleatória das séries temporais.
Rugosidade – Forma usual de se referir ao componente de variação aleatória das séries

temporais. A metáfora visual diz respeito ao formato das representações gráficas das séries
temporais com forte componente de variação aleatória.
Alisamento – Recurso gráfico das séries temporais que consiste em suprimir a variação aleatória
(e, portanto, a rugosidade de sua representação gráfica) para evidenciar os demais componentes
de sua variação (tendência, sazonalidade e variação cíclica).
Série temporal interrompida – Recurso de análise estatística para identificar mudanças de nível
e/ou tendência nos valores observados de uma série temporal. Demanda o monitoramento
continuado dos valores da série temporal e a comparação estatística dos valores de nível e de
tendência antes e depois da possível interrupção. Essa comparação é feita por meio de análise
de regressão segmentada.
59
REFERÊNCIAS BIBLIOGRÁFICAS
Antunes JLF. “Grow and multiply”: social development, birth rates and demographic transition in the
Municipality of São Paulo, Brazil, time series for 1901-94. Rev Bras Epidemiol 1998; 1(1): 61-78.
Antunes JLF, Waldman EA. Tuberculosis in the twentieth century: time-series mortality in São Paulo,
Brazil, 1900-97Cad. Saude Publica 1999; 15(3): 463-476.
Antunes JLF, Waldman EA. Trends and spatial distribution of deaths of children aged 12-60 months
in São Paulo, Brazil, 1980-98. Bull World Health Organ. 2002; 80(5): 391-8.
Antunes JLF, Waldman EA, Borrell C. Is it possible to reduce AIDS deaths without reinforcing
socioeconomic inequalities in health? Int J Epidemiol 2005; 34(3): 586-92.
Antunes JLF, Waldman EA, Borrell C, Paiva TM. Effectiveness of influenza vaccination and its
impact on health inequalities. Int J Epidemiol 2007; 36(6): 1319-26.
Bernal JL, Cummins S, Gasparrini A. Interrupted time series regression for the evaluation of public
health interventions: a tutorial. Int J Epidemiol 2017; 46(1): 348-55.
Biazevic MHG, Castellanos RA, Antunes JLF, Michel-Crosato E. Tendências de mortalidade por
câncer de boca e orofaringe no Município de São Paulo, Brasil, 1980/2002. Cad Saude Publica 2006;
22(10): 2105-14.
Chow GC. Econometrics. London: McGraw-Hill; 1983.
Farias N, Cardoso MRA. Mortalidade por Aids e indicadores sociais no Município de São Paulo, 1994
a 2002. Rev Saude Publica 2005; 39(2): 198-205.
Gaynor PE, Kirkpatrick RC. Introduction to time series modeling and forecasting in business and
economics. New York: McGraw-Hill; 1994.
Gouveia N, Hajat S, Armstrong B. Socioeconomic differentials in the temperature-mortality

relationship in São Paulo, Brazil. Int J Epidemiol 2003; 32(3): 390-7.
Oliveira JFM, Boing AF, Waldman EA, Antunes JLF. Ecological study on mortality from influenza
and pneumonia before and after influenza vaccination in the Northeast and South of Brazil. Cad
Saude Publica 2013; 29(12): 2535-45.
60
Penfold RB, Zhang F. Use of interrupted time series analysis in evaluating health care quality
improvements. Acad Pediatr 2013; 13(6Suppl): S38-44.
Porta M. A dictionary of epidemiology. 6th Ed. New York: Oxford University Press; 2016.
Sartori AL, Minamisava R, Bierrenbach AL, Toscano CM, Afonso ET, Morais-Neto OL, Antunes
JLF, Cristo EB, Andrade AL. Reduction in all-cause otitis media-related outpatient visits in children
after PCV10 introduction in Brazil. PLoS One 2017; 12(6): e0179222.
Serfling RE. Methods for current statistical analysis of excess pneumonia-influenza deaths. Public
Health Rep 1963; 78(6): 494-506.
van Asten L, van den Wijngaard C, van Pelt W, van de Kassteele J, Meijer A, van der Hoek W,
Kretzschmar M, Koopmans M. Mortality attributable to 9 common infections: significant effect of
influenza a, respiratory syncytial virus, influenza B, norovirus, and parainfluenza in elderly persons. J
Infect Dis 2012; 206(5): 628-39.
Wagner AK, Soumerai SB, Zhang F, Ross-Degnan D. Segmented regression analysis of interrupted
time series studies in medication use research. J Clin Pharm Ther 2002; 27(4): 299-309.
Waldman EA, Rosa TEC. Vigilância em Saúde Pública. Série Saúde & Cidadania. São Paulo: Instituto
para o Desenvolvimento da Saúde; Faculdade de Saúde Pública da Universidade de São Paulo;
Núcleo de Assistência Médico-Hospitalar; Fundação Itaú Social, 1998.
Wiener N. Extrapolation, interpolation and smoothing of stationary time series. Cambridge, MA,
USA: The MIT Press, 1966.
61
INSTRUMENTO DE CONCLUSÃO
1ª Questão. Tomando a Base de dados 4 (Anexo), faça a transformação logarítmica da série
temporal da taxa mensal de primeiras consultas médicas ambulatoriais por queixas relacionadas
a otite em crianças de 2 a 23 meses em Goiânia. Faça o gráfico da série temporal resultante e
compare com a Figura 17, que mostra a mesma série temporal sem a transformação logarítmica.
Explique a diferença entre os dois gráficos.
2ª Questão. Considerando a Base de dados 3 (Anexo), calcule a variação percentual anual

(Fórmula 2) para descrever a tendência das duas séries temporais disponíveis: proporção anual
de óbitos por causas mal definidas e não indeterminadas em idosos (65 anos ou mais) nas
regiões Nordeste e Sul. Compare os valores obtidos e explique a diferença entre as duas regiões.
3ª Questão. Utilizando a Base de dados 2 (Anexo), aplique a Fórmula 3 para modelar a variação
sazonal da mortalidade semanal por gripe e pneumonia em idosos (65 anos ou mais) nas regiões
Nordeste e Sul no período antes da vacinação contra a gripe (1996-1998). Compare os resultados
obtidos para as duas séries temporais e explique a diferença entre elas.
4ª Questão. Faça o gráfico das duas séries temporais mencionadas na questão anterior, com
alisamento de médias móveis de ordem 3 (MM3) e 4 (MM4), usando a Fórmula 4. Compare as
séries MM3 e MM4 de cada região (Nordeste e Sul) e descreva como diferem entre si e com as
séries originais não alisadas.
5ª Questão. Com a Base de dados 1 (Anexo), faça a análise de séries temporais interrompidas
para o coeficiente de mortalidade infantil (Fórmula 5) considerando três segmentos, o primeiro
de 1900 a 1960, o segundo de 1961 a 1973 e o terceiro de 1974 a 1994. Descreva os resultados
obtidos.
62
ANEXO: BASES DE DADOS PARA EXERCITAR

Base de dados 1. Séries temporais dos indicadores anuais de saúde do Município de São Paulo,
1900-1994. Fonte: Antunes JLF (1998)
Coef.
Swaroop- Coef. Mort. Fecundi- Nupciali- Esp. Vida
Ano Padr. Mort. Natimortos
-Uemura Inf. dade dade ao Nascer
1900 19,5276 12,3752 208,063 161,1289 5,5391 4,7346 46

1901 20,0783 12,0322 235,8209 148,9424 5,5359 5,2128 45,14
1902 21,3114 11,7574 242,9796 147,1934 5,3184 5,6432 43,36
1903 18,1701 13,9245 222,8776 139,0207 5,5943 5,3911 47,1
1904 18,4137 13,2254 231,4516 135,521 5,1247 5,5508 46,46
1905 17,1666 13,7931 215,1039 131,8977 5,375 5,1469 48,25
1906 18,0475 13,9133 230,2703 122,5712 4,9588 5,0928 45,9
1907 14,5727 16,5753 162,861 116,5618 5,4747 6,0764 50,67
1908 15,6553 14,9106 167,313 116,6699 5,8178 5,5139 49,3
1909 15,1494 16,6037 166,2484 114,1682 5,209 5,5447 49,21
1910 15,6457 16,6004 165,8146 118,1606 6,0137 6,1663 48,28
1911 16,5258 15,5902 188,6209 123,3891 6,8816 6,1859 46,79
1912 19,6614 14,5503 199,6984 129,7164 8,0661 6,0782 41,65
1913 20,4978 13,9768 192,5277 142,9959 8,4076 5,7456 40,41
1914 18,0325 14,0398 172,7502 139,1463 7,4351 6,0678 43,98
1915 15,6173 17,7243 151,4135 131,2857 6,3301 5,2279 47,16
1916 16,1869 16,783 155,428 135,8571 6,2522 5,0682 46,05
1917 15,1432 19,2371 148,8237 128,4647 6,8248 5,5192 47,51
1918 27,4618 13,1674 222,7201 125,8122 5,8832 5,475 31,8
1919 17,9442 16,5981 180,3618 115,2316 6,9674 5,7394 42,72
1920 18,42 19,0702 170,3715 129,8819 7,9939 5,3602 41,93
1921 18,5556 19,0718 176,369 125,8076 8,2059 5,4041 41,74
1922 17,9483 15,9766 179,2622 127,6417 8,2365 5,5006 42,9
63
1923 18,2901 15,8965 181,6187 129,1568 8,4294 5,5973 42,37

1924 18,6668 17,0391 167,9962 122,473 8,0098 5,6356 41,54
1925 18,6589 16,789 176,4337 120,3608 8,6971 5,319 41,58
1926 18,2688 16,4169 174,3324 125,0114 8,8443 5,7612 42,26
1927 17,5583 17,5583 166,805 127,3151 8,7306 5,3277 43,53
1928 17,663 17,663 160,2383 127,9173 8,3794 5,3582 42,53
1929 168564 22,6387 156,2727 122,2876 8,2079 5,1819 43,87
1930 15,0642 23,1506 152,6284 113,0573 6,6705 5,263 46,75
1931 14,5853 24,1225 160,5215 101,2643 6,8545 5,3015 45,5
1932 13,1468 26,3891 140,7988 94,4097 6,4008 5,2771 50,4
1933 14,5706 25,7155 169,2283 89,2625 8,199 5,1084 47,53
1934 12,7797 28,7089 141,2956 92,2993 8,5404 5,5756 51,19
1935 13,8794 28,454 147,8389 95,0913 9,3647 5,252 48,93
1936 15,282 27,6089 157,8084 94,4818 8,2418 5,0286 46,27
1937 13,5822 30,6412 134,396 88,9158 9,023 5,1278 49,55
1938 14,0467 31,1518 138,1851 89,5613 8,5754 5,069 48,68
1939 14,1388 30,5843 142,6593 87,0901 9,4917 4,8482 48,23
1940 13,0509 32,4782 123,9889 87,9053 7,4336 4,9938 50,37
1941 13,7807 32,9962 135,1186 84,1063 8,572 4,7731 49,32
1942 12,8593 35,0089 121,6268 83,6683 8,0944 4,8161 51,45
1943 11,8525 34,8489 115,3657 78,9965 8,6094 4,944 53,39
1944 11,8586 35,9342 113,4855 81,0919 7,3578 4,7008 53,62
1945 11,3865 38,0411 101,4872 76,0915 8,4375 4,9957 54,84
1946 10,1169 38,5226 79,782 84,1442 8,8931 4,8217 57,56
1947 10,1128 39,4298 80,1158 86,8551 9,7919 4,7028 57,64
1948 10,4381 37,2154 87,8489 92,2595 7,6401 3,6758 56,94
1949 10,2938 38,8858 90,6486 92,9342 9,4637 3,8166 57,32
1950 10,1301 38,1787 89,7089 94,3102 9,5178 3,7152 57,65
1951 10,1086 38,9501 91,4673 98,614 9,9637 3,7733 61
1952 8,9916 42,4607 71,0004 104,5125 8,3711 3,4363 60,33
1953 9,0751 41,297 79,1581 104,3778 9,7617 3,2613 60,15
64
1954 9,0704 40,7124 74,7225 113,0301 9,9123 3,2085 60,28

1955 9,3453 39,9741 86,5133 110,3957 10,3685 3,2015 59,64
1956 9,3321 41,6538 86,3783 107,9824 8,2655 2,9916 59,71
1957 8,898 43,3977 75,3803 110,7086 8,9929 2,8431 60,7
1958 8,2079 43,2326 70,2087 110,2539 8,8017 2,7646 62,3
1959 8,2889 44,1599 65,4184 112,5979 9,2531 2,6423 62,16
1960 8,3507 45,2382 62,943 114,6646 7,4603 2,4443 62,01
1961 8,0966 45,7813 60,21 114,4216 8,9449 2,5738 62,54
1962 8,6158 46,2548 64,4162 118,29 8,1696 2,6337 61,34
1963 8,7202 44,5207 69,8961 118,9078 8,3662 2,6091 60,99
1964 8,3707 45,8165 67,7533 118,2673 6,8114 2,5239 61,72
1965 8,1661 45,2932 69,3751 116,6097 6,5282 2,6384 62,16
1966 8,3285 45,6122 73,9086 107,5383 7,1165 2,5497 61,74
1967 8,1606 46,417 74,3915 104,3915 6,6676 2,4893 62,16
1968 8,5454 48,908 76,6141 103,7802 6,3627 2,5518 61,31
1969 8,5671 46,2173 84,4999 103,8444 7,1938 2,4142 61,09
1970 7,6511 48,4252 77,073 106,5811 7,2112 2,3942 63,17
1971 7,9965 46,6138 85,3844 104,3832 7,8179 2,1938 62,79
1972 8,0539 46,17 85,6587 102,6505 7,7456 2,032 63,05
1973 8,3867 45,9196 87,2046 100,9581 8,5069 2,0521 62,66
1974 8,1313 46,109 78,0296 103,3298 8,8977 2,9411 63,54
1975 7,7757 46,4838 79,9575 103,8228 9,0852 1,8211 64,66
1976 7,6308 48,3055 74,8134 102,9957 8,1954 1,7813 65,19
1977 7,1985 48,8034 66,5203 102,2573 8,3233 1,3756 66,51
1978 7,069 50,0507 64,0131 101,9376 8,1733 1,298 67,04
1979 6,8913 51,5775 57,5805 101,986 8,2334 1,2809 67,55
1980 6,7829 53,4413 50,6225 99,7806 7,8313 1,2404 67,84
1981 6,6383 53,4776 49,7652 103,3887 7,9012 1,1671 68,35
1982 6,5281 54,1567 47,518 103,7409 7,9111 1,0715 68,7
1983 6,4945 57,0708 41,8277 95,8035 7,2869 1,0103 68,77
1984 6,7492 55,1971 47,955 88,3729 7,5615 1,0137 68,16
65
1985 6,4826 59,196 36,5751 87,3333 7,2926 0,9868 68,94

1986 6,6626 59,1348 36,1689 86,085 7,0455 0,879 68,54
1987 6,5936 60,1401 33,1622 83,4962 6,9028 0,863 68,89
1988 7,0533 60,1799 35,1415 83,4518 6,6729 0,8977 67,96
1989 6,6974 60,3577 31,0221 77,4809 6,2161 0,9112 68,83
1990 6,7721 61,0872 30,8967 71,6039 5,7139 0,8571 68,77
1991 6,522 61,4154 26,0321 69,5628 5,4271 0,8538 69,68
1992 6,4906 62,5564 25,23 68,277 5,0274 0,7784 69,85
1993 6,8207 62,5258 25,672 72,4073 5,0668 0,807 69,02
1994 6,8348 56,9431 23,3885 72,9626 5,0139 0,8106 70,1
Base de dados 2. Séries temporais da mortalidade semanal por gripe e pneumonia em idosos
(65 anos ou mais) nas regiões Nordeste e Sul, antes (1996-1998) e depois (1999-2008) do início
da vacinação de idosos contra a gripe no Programa Nacional de Imunizações. Fonte: Oliveira
JFM et al. (2013).
Contagem Semana Reg. Sul Reg. NE Semana Reg. Sul Reg. NE antes
depois depois antes
1 1999 2,606274462 1,580025533 1996 3,588084341 1,723315199
2 2 3,503886977 0,921225734 2 4,747792028 1,441454637
3 3 3,483410767 1,308919646 3 2,462005396 1,118469706
4 4 3,837402852 1,133585532 4 2,851658976 1,074243637
5 5 3,413347483 1,535515658 5 2,797405602 0,907168397
6 6 2,213444438 1,353356316 6 3,078630717 1,244655846
7 7 2,056502157 1,35192631 7 2,581541782 1,070590286
8 8 2,387154977 1,527023034 8 3,160637954 0,836486905
9 9 2,72686532 1,581989173 9 4,009908623 1,635342374
10 10 3,712099013 1,6149915 10 3,181923481 0,845242111
11 11 2,383240702 1,645182939 11 3,199696979 1,314218563
12 12 2,683670779 1,132726524 12 3,024647086 1,316036699
13 13 2,794808528 1,783076776 13 4,405477464 1,051169964
14 14 2,531429464 1,868884087 14 4,346125102 1,424249599
15 15 2,459627392 1,755806343 15 2,396306881 1,259458553
66
16 16 3,879488481 1,972213728 16 3,732093858 1,286490368

17 17 2,701846225 1,727812739 17 3,892257711 1,656071116
18 18 3,503226855 1,649789449 18 2,871421725 1,912694747
19 19 3,451893815 2,121947522 19 3,348000345 2,162912961
20 20 3,6390164 2,417534489 20 4,836730351 1,93520787
21 21 3,337176675 2,193670113 21 4,806366011 1,570560755
22 22 4,813054888 2,037400545 22 5,779282715 1,93342145
23 23 4,46892831 1,637172405 23 5,253383374 1,264211714
24 24 6,033369113 2,0505415 24 5,308167873 1,733336729
25 25 5,03899634 2,087646398 25 6,103276449 1,851508773
26 26 5,637797286 1,703960377 26 6,918769053 0,878731745
27 27 4,851162798 1,353079112 27 8,989615196 1,266125956
28 28 4,314944559 1,754219863 28 11,52873537 1,084112943
29 29 5,143131528 1,117010549 29 12,14995367 1,510950163
30 30 5,023725857 1,34620085 30 15,02882374 0,959175698
31 31 5,133430514 1,043241987 31 11,83598878 1,26325821
32 32 4,103069809 1,20364015 32 9,346179682 1,323774984
33 33 3,77033225 1,499633548 33 8,164637244 1,566287721
34 34 5,158045836 1,542394286 34 5,648171956 0,900258444
35 35 4,363187182 1,160642207 35 4,168423822 1,722954197
36 36 4,726692755 1,197118433 36 4,608334801 1,437193954
37 37 2,405902502 1,183325913 37 4,498841888 1,099782179
38 38 2,305249201 1,532898894 38 5,522317217 0,82719746
39 39 3,167213686 1,237953582 39 4,987045284 0,95383722
40 40 3,32954752 1,249784247 40 3,102411608 1,110722627
41 41 3,386869898 1,39440946 41 3,919689355 1,150671136
42 42 2,998767554 0,800669372 42 3,981248923 1,129451376
43 43 3,628777447 1,109657308 43 3,671381031 0,939293875
44 44 2,010938514 0,841885517 44 3,358232171 1,019326054
45 45 2,270037111 0,975487774 45 3,750669928 1,252338808
46 46 2,687457688 0,91089516 46 3,427464175 1,248993045
67
47 47 3,326165589 1,0680033 47 3,515125467 1,041491991

48 48 2,144772048 0,934150157 48 3,437048562 0,838239575
49 49 2,874765733 1,123800559 49 3,295345863 1,0822213
50 50 2,763148956 1,193209115 50 2,62826195 0,918991726
51 51 2,437111083 0,59804271 51 3,877574358 1,566085601
52 52 3,245869306 1,280747429 52 3,519960194 1,100468659
53 2000 3,334208282 0,984758268 1997 4,443701886 1,347829376
54 2 2,766783248 1,137884191 2 3,930034544 1,516369918
55 3 2,331713085 1,395286921 3 3,787584755 1,698704304
56 4 2,411238285 1,157575045 4 3,693890869 0,865181561
57 5 1,711646505 1,212286791 5 3,614868365 1,393326833
58 6 2,15472003 1,176267833 6 4,056585999 1,071499942
59 7 2,408409658 0,941085707 7 3,18539924 1,227136784
60 8 1,949673501 1,081329073 8 2,474884414 1,223210324
61 9 2,592828328 1,645880643 9 2,712771735 1,221698517
62 10 2,68876294 1,219286251 10 3,909443064 0,840048221
63 11 2,103891418 1,546401348 11 2,744907368 1,212832954
64 12 2,92573812 1,954873949 12 1,708770967 1,229239926
65 13 3,200122367 2,009926355 13 2,437458367 1,01026802
66 14 2,823396213 1,696495707 14 3,880113689 1,530311926
67 15 3,017554295 1,629628422 15 3,170865538 1,161416967
68 16 2,769380855 1,682757365 16 3,640660845 0,998986512
69 17 1,69925947 1,692426422 17 2,963535834 1,470310874
70 18 3,119799906 1,729948851 18 3,413145197 0,954010563
71 19 2,600242455 2,001105994 19 2,425868066 1,332552681
72 20 3,398670698 1,943601313 20 4,250240589 1,68546673
73 21 3,109030744 1,426131317 21 4,105206131 1,433482283
74 22 3,267024384 1,625659414 22 4,900925913 1,051152824
75 23 3,421068902 1,89123231 23 4,087830941 1,433127665
76 24 3,907949466 1,257430406 24 5,951301611 1,480877015
77 25 4,766057177 1,862119104 25 6,653287252 1,576940715
68
78 26 3,890808974 1,775764383 26 6,207442285 1,042608952

79 27 4,669061548 1,42844245 27 6,666497421 1,45479401
80 28 3,614136809 1,701099533 28 5,362105698 1,243857052
81 29 4,924162287 1,14792986 29 6,25248211 1,480400669
82 30 6,949103687 1,338186061 30 6,587237741 1,069623514
83 31 5,234594202 1,302732549 31 5,006196646 1,068833925
84 32 6,922425896 1,444004694 32 6,273826879 0,574847385
85 33 5,885965716 1,486247773 33 4,875649384 0,768847973
86 34 4,446812024 1,484829618 34 4,660350279 1,27397221
87 35 4,829458631 0,947786683 35 4,241921411 1,073688041
88 36 3,250213217 1,532314693 36 2,827826904 1,37097764
89 37 3,449989556 1,08332447 37 4,104713794 1,2086364
90 38 4,279093277 1,283330469 38 3,80589535 0,8720461
91 39 3,707186017 0,965419363 39 4,354254445 1,546504015
92 40 3,878327996 1,164771772 40 2,752493185 1,146116016
93 41 3,113306543 1,31155251 41 2,797975559 1,020588525
94 42 3,35400648 1,257254739 42 3,845485025 0,974710155
95 43 1,960789554 1,196014421 43 2,733346739 1,2560993
96 44 2,741155553 1,355434084 44 2,51292647 0,962079893
97 45 1,99044271 0,983110849 45 3,650357304 0,83659139
98 46 1,97113697 0,874917345 46 3,345887338 0,728792594
99 47 2,12185084 0,825647809 47 2,382731862 0,928999268
100 48 1,764751627 1,123736817 48 2,366015619 1,067955543
101 49 2,884779195 0,951648182 49 3,389312681 0,847825025
102 50 2,873077901 1,21388838 50 2,536473595 0,722554751
103 51 2,934027559 1,43759047 51 4,218022871 0,662934571
104 52 2,181232985 1,798433375 52 3,272748317 1,248946128
105 2001 3,986882225 1,36105747 1998 3,254815198 1,337329211
106 2 2,70457452 1,44809503 2 2,76538409 1,643620083
107 3 2,482220493 1,49977778 3 3,311823947 1,297543164
108 4 2,244581539 1,002691144 4 4,031469511 0,82966242
69
109 5 2,781959078 1,401705669 5 3,377307404 0,735596713

110 6 2,700077474 1,327979579 6 1,840113349 1,437746514
111 7 2,347188747 1,000577489 7 3,117003643 1,318603399
112 8 2,905519048 1,799854371 8 3,435198518 1,339507438
113 9 2,589136837 1,388175889 9 3,054747891 1,365016436
114 10 2,394293663 1,049171785 10 3,073469253 1,620314241
115 11 2,947437465 1,216567624 11 2,690741237 1,788200297
116 12 2,208272341 1,403624234 12 2,87244718 1,694592174
117 13 2,591540485 1,409491341 13 3,790060893 1,279843124
118 14 3,503713428 1,557852258 14 2,678948924 2,114552619
119 15 3,169494789 1,28166583 15 3,709857388 1,95776054
120 16 2,358974466 1,300222315 16 3,402424759 1,900275545
121 17 2,945523985 0,859606089 17 2,691075894 1,597355828
122 18 2,983567867 1,922329196 18 2,347181422 1,631055602
123 19 3,494333659 1,551963776 19 3,93407092 1,532956896
124 20 3,332894806 1,48835248 20 3,777842155 1,548689909
125 21 3,526202817 2,253299447 21 4,436343637 1,421932976
126 22 3,986995231 1,380117781 22 7,439795371 1,912502283
127 23 3,112757194 1,366445168 23 8,111323624 2,050869793
128 24 3,824533257 1,601832455 24 8,943927419 1,967116654
129 25 3,806986809 1,496149337 25 9,491814088 1,504630854
130 26 4,532982197 1,353140766 26 10,58812196 1,876179636
131 27 4,380510522 1,348784504 27 9,139669535 1,606487339
132 28 4,119668309 1,517035565 28 8,359423612 2,132772408
133 29 4,903733368 1,610966209 29 6,401792656 2,274909158
134 30 4,149738798 1,455102059 30 6,987927205 1,844502781
135 31 4,076911055 1,316947253 31 6,279055352 1,259125777
136 32 3,687813217 1,328687408 32 4,878180222 1,114620508
137 33 3,356175822 1,724460621 33 5,322981005 1,356746544
138 34 4,439237866 1,716425281 34 4,203068335 1,042549235
139 35 4,425556813 1,689079131 35 3,390343125 0,864066647
70
140 36 3,796358134 1,06079874 36 3,057104817 1,069107574

141 37 4,002430906 1,460189897 37 3,383735172 1,113567198
142 38 5,055303163 1,312670121 38 3,51618135 1,014172952
143 39 4,013369716 1,457914054 39 4,737200526 1,012749813
144 40 3,098698842 1,112018845 40 3,060339983 1,014496047
145 41 3,222169743 1,253586769 41 3,658237457 0,992415559
146 42 3,370813727 1,76696248 42 2,151004435 1,330071466
147 43 3,067553249 0,997311105 43 2,719529611 1,110745082
148 44 3,338901302 1,425542072 44 3,635396543 1,276115832
149 45 3,227261601 1,459516761 45 3,292361125 1,316892245
150 46 2,818597597 1,438765096 46 1,824373163 1,030622042
151 47 3,299915372 1,898774269 47 2,973910787 1,202492424
152 48 1,808253121 1,370632456 48 3,142265993 1,015861782
153 49 2,420213294 1,31405217 49 3,726092064 0,60394401
154 50 2,271965935 1,4954001 50 2,804309768 0,772268548
155 51 2,826612827 1,536198556 51 2,467237107 0,832040155
156 52 1,743434368 1,409492994 52 2,54652642 1,17396282
157 2002 3,86743285 2,015262041
158 2 2,503601071 1,725500589
159 3 2,795895304 2,042973539
160 4 2,06122118 2,450945819
161 5 2,856460143 1,863198169
162 6 3,236835925 2,158427938
163 7 2,292505881 1,683283616
164 8 2,544913273 2,291905902
165 9 3,256692845 2,003393251
166 10 2,456666794 1,749975408
167 11 3,188104887 1,624994862
168 12 3,302077671 1,401904781
169 13 2,556683929 1,834667803
170 14 3,705198008 1,769988617
71
171 15 3,277375402 2,224581967

172 16 2,860418994 1,945120278
173 17 3,39774316 1,864761949
174 18 1,754518716 1,618956884
175 19 2,721858659 1,924789182
176 20 3,069916005 2,027442302
177 21 2,688552785 1,444174417
178 22 2,649895565 1,655817392
179 23 3,465153005 1,208419653
180 24 3,0623749 1,289655777
181 25 3,364196428 1,875153622
182 26 2,906970718 1,53464568
183 27 4,673938488 1,618388476
184 28 4,767641248 1,615963972
185 29 4,871350742 1,667204705
186 30 5,4648997 1,283975276
187 31 3,880494453 1,258215315
188 32 4,199920538 1,525675584
189 33 3,930478496 1,547176214
190 34 4,087591655 1,427382328
191 35 3,377847237 1,199552414
192 36 2,934600906 1,366749179
193 37 4,117530103 1,448842173
194 38 3,635686743 1,197078922
195 39 4,736377724 1,837475565
196 40 4,164399587 1,396919247
197 41 4,160582342 1,474078532
198 42 3,617465018 1,490693548
199 43 3,412309297 1,542260729
200 44 2,913784364 1,747250266
201 45 2,495553285 1,324993836
72
202 46 2,266238746 1,423228189

203 47 3,667284584 1,134107319
204 48 2,433907647 1,375819251
205 49 2,454334013 1,504826912
206 50 2,672883157 1,595878782
207 51 2,532900133 1,111978312
208 52 3,337079808 1,515135015
209 2003 3,879874052 1,84893524
210 2 2,596961975 1,737495952
211 3 2,715342633 1,69759681
212 4 2,422292264 1,394981963
213 5 4,100067726 1,648997843
214 6 3,297150325 1,762870277
215 7 3,174375385 1,639755855
216 8 3,004844682 1,54354426
217 9 2,841823065 1,678873371
218 10 3,214634964 1,126318805
219 11 2,235106534 1,368003937
220 12 2,764630268 1,534743474
221 13 2,080291119 2,237021445
222 14 3,103161183 1,994641403
223 15 3,674478734 2,907516447
224 16 2,874786325 2,50792755
225 17 3,508108929 2,169408258
226 18 2,389653749 2,162536608
227 19 4,263316357 2,058703097
228 20 2,980770064 2,229784268
229 21 4,059985315 2,289896898
230 22 3,902796654 1,744923378
231 23 3,150335315 1,46911782
232 24 4,201341687 1,873907762
73
233 25 3,209712579 1,952303983

234 26 4,542461754 2,05135397
235 27 4,644551477 1,696715897
236 28 3,820981877 1,926155645
237 29 5,43596065 2,15487443
238 30 4,478991845 1,640116225
239 31 4,082734318 1,506708124
240 32 5,168558524 1,467657042
241 33 3,97776739 1,506195659
242 34 4,051250206 1,259824541
243 35 4,372487345 1,415651311
244 36 4,916233284 1,221264142
245 37 4,420571291 1,293775317
246 38 3,848738748 1,628248435
247 39 4,262705346 1,372302752
248 40 3,222557811 1,533874705
249 41 2,877451998 1,599332655
250 42 3,948679396 1,261772102
251 43 3,064127433 1,267939499
252 44 3,037572499 1,209544809
253 45 3,18261842 1,426857274
254 46 3,590652405 1,454355288
255 47 3,785290213 1,089382873
256 48 3,239451668 1,311043074
257 49 2,65213781 1,614595045
258 50 2,452260174 1,438840034
259 51 3,41997075 1,133270964
260 52 3,039933082 1,898765293
261 2004 2,387856762 1,690805855
262 2 3,405616827 1,218999332
263 3 2,751798888 1,510139307
74
264 4 2,641286886 1,106131274

265 5 2,703314113 1,321374495
266 6 2,467445388 2,192206593
267 7 2,380717641 2,04624084
268 8 2,739578791 2,010535643
269 9 3,163206385 4,037419375
270 10 2,556448713 2,663663142
271 11 2,759172217 3,804382894
272 12 3,483452388 3,79758766
273 13 2,417283436 3,148463873
274 14 2,917803805 3,091961572
275 15 3,507162935 2,339962348
276 16 2,832307365 2,142237357
277 17 3,096973547 1,604164614
278 18 3,608740556 1,367219907
279 19 3,715204406 1,621421168
280 20 4,251156917 1,992304359
281 21 5,467935995 1,639840176
282 22 4,784734156 1,554211146
283 23 4,923909776 1,605632907
284 24 6,526305348 1,744723393
285 25 7,303183481 1,599022375
286 26 5,258720773 1,627868614
287 27 4,257125665 1,694772865
288 28 4,562946503 1,893746904
289 29 5,272068014 1,542415628
290 30 5,018200891 2,312291648
291 31 5,650737626 1,732309374
292 32 4,447775167 2,411883346
293 33 3,816700584 1,543947016
294 34 4,831138344 1,536939247
75
295 35 4,02345925 1,28616556

296 36 3,993372194 1,830584459
297 37 3,611845352 1,645632328
298 38 3,145163622 1,840234392
299 39 3,855189805 1,648762609
300 40 3,26223548 1,687187751
301 41 4,324549379 1,863589777
302 42 3,422348959 1,178323179
303 43 3,893245219 1,14971895
304 44 3,331222214 1,971649392
305 45 3,852803235 1,892206155
306 46 3,363125165 1,527734762
307 47 2,577789673 1,469861375
308 48 2,53203755 1,237203454
309 49 2,96573806 1,261259926
310 50 2,15329796 1,241357526
311 51 3,389946279 1,411563554
312 52 2,857960723 0,972711014
313 2005 3,191903472 1,870518172
314 2 3,243603417 1,969258771
315 3 3,118590665 1,767693304
316 4 3,119893916 1,925675747
317 5 2,859134088 1,435862529
318 6 2,817810541 1,711737223
319 7 2,647638896 1,384814394
320 8 3,763711871 1,844779583
321 9 3,477412438 2,40870679
322 10 2,555699094 1,999691265
323 11 2,828324701 2,153930904
324 12 2,7551634 1,896197925
325 13 3,106558141 1,710522155
76
326 14 2,161902605 1,861587426

327 15 2,63267747 2,422539687
328 16 2,855577947 2,496047683
329 17 2,994756512 2,742026715
330 18 3,667076525 2,62644881
331 19 3,359759371 2,568923065
332 20 3,154448948 2,301408491
333 21 2,985879806 2,389385219
334 22 3,537592932 2,550090174
335 23 3,493124827 2,295594256
336 24 2,999618559 2,947486917
337 25 3,427141236 2,562386942
338 26 4,08535709 2,177804833
339 27 4,39312288 2,452518738
340 28 4,378917307 2,086087896
341 29 5,342482919 2,331890662
342 30 6,059336699 2,205577669
343 31 5,707984455 1,733074372
344 32 4,950071496 1,664294878
345 33 5,193436153 1,488840837
346 34 4,142826756 1,45329718
347 35 5,776597569 1,629699092
348 36 4,932244955 1,462186851
349 37 4,205413484 1,375118102
350 38 5,30172534 1,69343118
351 39 3,6642807 1,729325235
352 40 4,617758239 2,120886295
353 41 4,60005641 2,133388129
354 42 3,930104041 1,587090364
355 43 3,296568521 1,906930365
356 44 2,953606616 1,703173486
77
357 45 3,397231832 1,667310532

358 46 4,891165072 1,806069559
359 47 4,486739393 2,054869365
360 48 3,482460222 1,888104891
361 49 3,598163858 1,603197818
362 50 2,773943819 1,54058189
363 51 2,778888175 1,905173808
364 52 2,893589887 1,679835727
365 2006 3,560065757 2,703488949
366 2 5,218491145 2,149065476
367 3 4,792845487 1,93877473
368 4 3,16459173 2,200157389
369 5 3,340541167 1,421816317
370 6 3,382983819 1,922150888
371 7 3,13323431 2,016328754
372 8 2,966209895 2,343901525
373 9 3,433192719 2,685957208
374 10 2,780059969 1,508471566
375 11 3,299267416 1,958716708
376 12 2,860143122 2,183200756
377 13 2,942074058 2,535573442
378 14 3,60163461 2,1284286
379 15 3,228327597 2,799217232
380 16 3,090898909 2,360852529
381 17 4,440681253 2,660518388
382 18 3,571970423 2,673106701
383 19 4,082287174 3,991332292
384 20 3,860496603 3,289978886
385 21 5,047148747 3,945729963
386 22 4,022508343 3,841673557
387 23 4,765920853 3,460422282
78
388 24 3,737843785 3,061057668

389 25 4,612241672 3,206626207
390 26 5,261483511 3,378023079
391 27 4,567940389 2,510934367
392 28 5,496964943 3,032690003
393 29 5,524313672 2,52693821
394 30 6,09674534 2,090764361
395 31 5,295547468 2,369034959
396 32 4,025032826 2,573967733
397 33 4,393984323 1,974796861
398 34 5,101243382 2,130597905
399 35 5,073103935 2,125363692
400 36 5,765610324 2,343279472
401 37 5,070099168 2,077106442
402 38 5,366641186 2,20423374
403 39 5,076713377 1,603397373
404 40 4,217334883 1,769608556
405 41 5,016815039 2,191172671
406 42 4,207594271 2,43359453
407 43 3,394071279 1,963768465
408 44 3,362870476 2,306527139
409 45 2,911685454 2,351987481
410 46 3,379742244 1,845091932
411 47 3,540194939 2,136113711
412 48 3,328316323 2,102931207
413 49 4,259723533 1,846143589
414 50 3,74742839 2,258282862
415 51 4,306626094 2,364251421
416 52 2,793171603 1,866622592
417 2007 4,332588735 2,442917848
418 2 3,356982084 2,085780123
79
419 3 2,535917543 2,505625725

420 4 3,061836882 2,542862003
421 5 3,025475901 3,205863605
422 6 2,945689726 2,144783146
423 7 2,814488594 2,475207474
424 8 3,415509232 1,789275626
425 9 3,887426141 2,460959708
426 10 2,851443094 2,246845987
427 11 3,499059148 2,762311296
428 12 3,624860216 2,651039413
429 13 4,627142215 2,766282341
430 14 3,122178376 3,37842056
431 15 3,825086543 3,095334836
432 16 3,987330983 3,293635581
433 17 3,461986402 3,182978461
434 18 3,166740994 3,41704953
435 19 3,280841081 3,822620512
436 20 4,154815487 3,663365532
437 21 3,928552377 3,706147148
438 22 4,761394751 3,076233634
439 23 5,89622021 3,0299074
440 24 5,097328497 2,941994807
441 25 6,50537761 3,210912403
442 26 5,780622501 2,768359134
443 27 6,156287338 2,66685056
444 28 6,435369681 2,557503054
445 29 7,945045522 3,040883058
446 30 6,609344566 2,289402863
447 31 6,787544935 2,323816198
448 32 6,177969083 2,941467117
449 33 5,845289371 2,429244879
80
450 34 5,113563304 2,658331146

451 35 4,379085979 2,547469324
452 36 5,060104092 2,292423669
453 37 4,697502512 2,296036226
454 38 4,655069132 2,537740361
455 39 3,577884404 2,532165287
456 40 4,727671708 2,43071062
457 41 3,048450878 2,585855405
458 42 4,197403121 2,442405693
459 43 3,701194077 1,861089663
460 44 4,442691203 2,498372601
461 45 3,060896839 2,470030959
462 46 3,564123064 2,121098139
463 47 3,976244174 2,567418721
464 48 3,609923827 1,969851009
465 49 3,564716021 2,178650535
466 50 3,214408437 2,247967305
467 51 3,034642241 2,446817048
468 52 3,833935119 2,029967266
469 2008 4,438015213 2,663157223
470 2 3,45470749 2,589312194
471 3 2,86127378 2,806079772
472 4 3,545202108 2,232630846
473 5 2,7203059 2,296258351
474 6 2,994400938 2,34106788
475 7 3,038127986 2,648048366
476 8 3,430841782 2,392516533
477 9 3,454067238 3,170201348
478 10 2,97331426 2,280957565
479 11 2,129927964 2,563701932
480 12 2,327909933 2,535040538
81
481 13 2,714026425 2,484568301

482 14 2,706302879 3,197665745
483 15 2,900010397 2,821478628
484 16 3,881363959 3,27698199
485 17 3,722567983 2,891213146
486 18 3,315262708 3,406859411
487 19 4,553873249 3,001802389
488 20 4,90952582 3,065061585
489 21 4,39571697 3,418358922
490 22 4,727080518 3,061348979
491 23 4,861319937 3,256062757
492 24 3,530811891 2,840071525
493 25 6,287605576 3,665049931
494 26 6,20862411 2,965079992
495 27 5,362454976 3,540484393
496 28 5,549899141 2,638532611
497 29 4,899502037 3,316761273
498 30 5,080209476 2,821252327
499 31 3,963199437 3,037474832
500 32 4,990071849 2,534143311
501 33 4,075546182 3,387522787
502 34 4,357112473 3,631690555
503 35 4,775560938 2,764871521
504 36 4,452718797 2,486186471
505 37 4,523155179 3,028679256
506 38 4,754156147 2,140650528
507 39 4,510109108 3,159202611
508 40 4,187476367 2,48669453
509 41 4,949516273 2,897208385
510 42 3,971187483 3,252789541
511 43 3,218953642 2,925631404
82
512 44 4,228252809 2,901473719

513 45 4,175005379 3,019953446
514 46 3,675998077 2,237044608
515 47 3,335410544 2,665363092
516 48 4,598134974 2,624850976
517 49 3,610168052 2,291856386
518 50 3,260335912 2,714904983
519 51 3,971665026 3,041044824
520 52 4,307248992 2,389941234
Base de dados 3. Séries temporais da proporção anual de óbitos por causas mal definidas e não inde-
terminadas em idosos (65 anos ou mais) nas regiões Nordeste e Sul, 1996-2008. Fonte: Oliveira JFM
et al. (2013)
Ano Região Nordeste Região Sul

1996 41,06303317 8,598494049
1997 39,63596764 7,652268058
1998 37,91922601 7,469633039
1999 37,40455101 6,785979639
2000 34,60811114 5,783138592
2001 33,36691972 5,577420443
2002 32,45405441 5,483368924
2003 30,90742684 5,589099025
2004 27,38039246 5,018566445
2005 19,54497248 4,621552058
2006 9,786563924 4,42056809
2007 8,08077049 4,101241844
2008 7,821469981 3,77188806
83
Base de dados 4. Série temporal da taxa mensal de primeiras consultas médicas ambulatoriais por
queixas relacionadas a otite em crianças de 2 a 23 meses de idade, em Goiânia, GO, antes (01/2008 a
05/2010) e depois (06/2010 a 08/2013) do início da vacinação antipneumocócica 10-valente (PVC10)
em crianças. Fonte: Sartori AL et al. (2017)
Consultas por
Ano Mês Contagem Degrau Rampa Seno Cosseno
otite
2008 1 1 0 0 0 1 21,93022797
2008 2 2 0 0 0,5 0,866025404 30,20743092
2008 3 3 0 0 0,866025404 0,5 42,62762282
2008 4 4 0 0 1 6,12574E-17 42,32861781
2008 5 5 0 0 0,866025404 -0,5 43,30295015
2008 6 6 0 0 0,5 -0,866025404 50,01201576
2008 7 7 0 0 1,22515E-16 -1 45,89161371
2008 8 8 0 0 -0,5 -0,866025404 34,1154218
2008 9 9 0 0 -0,866025404 -0,5 34,44981177
2008 10 10 0 0 -1 -1,83772E-16 43,40084013
2008 11 11 0 0 -0,866025404 0,5 34,80020933
2008 12 12 0 0 -0,5 0,866025404 41,20417272
2009 1 13 0 0 -2,4503E-16 1 19,17338837
2009 2 14 0 0 0,5 0,866025404 19,18204916
2009 3 15 0 0 0,866025404 0,5 38,06158248
2009 4 16 0 0 1 1,19447E-15 42,23864143
2009 5 17 0 0 0,866025404 -0,5 38,41610999
2009 6 18 0 0 0,5 -0,866025404 42,27680917
2009 7 19 0 0 3,67545E-16 -1 45,8205648
2009 8 20 0 0 -0,5 -0,866025404 39,10932871
2009 9 21 0 0 -0,866025404 -0,5 35,27843788
2009 10 22 0 0 -1 -4,28802E-16 42,99496402
2009 11 23 0 0 -0,866025404 0,5 47,18742259
2009 12 24 0 0 -0,5 0,866025404 33,07823108
2010 1 25 0 0 -4,90059E-16 1 26,66731401
2010 2 26 0 0 0,5 0,866025404 24,42929337
84
2010 3 27 0 0 0,866025404 0,5 42,44899125

2010 4 28 0 0 1 5,51317E-16 37,32050936
2010 5 29 0 0 0,866025404 -0,5 35,40612422
2010 6 30 1 1 0,5 -0,866025404 40,89644472
2010 7 31 1 2 2,38893E-15 -1 34,14945912
2010 8 32 1 3 -0,5 -0,866025404 32,23102332
2010 9 33 1 4 -0,866025404 -0,5 33,85786147
2010 10 34 1 5 -1 1,10253E-15 29,03413317
2010 11 35 1 6 -0,866025404 0,5 25,17428172
2010 12 36 1 7 -0,5 0,866025404 28,41458305
2011 1 37 1 8 -7,35089E-16 1 22,28968015
2011 2 38 1 9 0,5 0,866025404 23,59248764
2011 3 39 1 10 0,866025404 0,5 34,27305925
2011 4 40 1 11 1 2,5727E-15 25,87814391
2011 5 41 1 12 0,866025404 -0,5 22,0063583
2011 6 42 1 13 0,5 -0,866025404 22,01629876
2011 7 43 1 14 8,57604E-16 -1 19,75883627
2011 8 44 1 15 -0,5 -0,866025404 21,7121315
2011 9 45 1 16 -0,866025404 -0,5 24,63981147
2011 10 46 1 17 -1 8,57495E-16 24,97529597
2011 11 47 1 18 -0,866025404 0,5 23,3640725
2011 12 48 1 19 -0,5 0,866025404 18,50491245
2012 1 49 1 20 -9,80119E-16 1 17,53888858
2012 2 50 1 21 0,5 0,866025404 16,57198821
2012 3 51 1 22 0,866025404 0,5 24,3815793
2012 4 52 1 23 1 2,81773E-15 20,16454327
2012 5 53 1 24 0,866025404 -0,5 22,12594065
2012 6 54 1 25 0,5 -0,866025404 27,018862
2012 7 55 1 26 1,10263E-15 -1 21,49458312
2012 8 56 1 27 -0,5 -0,866025404 22,15593764
2012 9 57 1 28 -0,866025404 -0,5 23,46982482
85
2012 10 58 1 29 -1 -2,94025E-15 23,15430931

2012 11 59 1 30 -0,866025404 0,5 19,90212489
2012 12 60 1 31 -0,5 0,866025404 16,97340938
2013 1 61 1 32 -4,77786E-15 1 10,77648575
2013 2 62 1 33 0,5 0,866025404 16,00869946
2013 3 63 1 34 0,866025404 0,5 20,91880091
2013 4 64 1 35 1 -4,89951E-16 22,23630673
2013 5 65 1 36 0,866025404 -0,5 25,84507844
2013 6 66 1 37 0,5 -0,866025404 18,65618022
2013 7 67 1 38 -2,20505E-15 -1 18,00975318
2013 8 68 1 39 -0,5 -0,866025404 18,01793639
86

Ebook Curso Analise Series Temporais

Enviado por

Direitos autorais:

Formatos disponíveis

Ebook Curso Analise Series Temporais

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Ebook Curso Analise Series Temporais

Enviado por

Direitos autorais:

Formatos disponíveis

PROFEPI PROGRAMA DE FORTALECIMENTO DA EPIDEMIOLOGIA NOS SERVIÇOS DE SAÚDE

ANÁLISE DE SÉRIES TEMPORAIS

Prof. José Leopoldo Ferreira Antunes • Coordenação Acadêmica

Secretaria de Vigilância em Saúde/ SVS/ MS

Departamento de Articulação Estratégica de Vigilância em

Coordenação Geral de Desenvolvimento da Epidemiologia

Equipe Criação Digital

Equipe pedagógica do curso Análise de Séries Temporais em

MÓDULO 2 • SÉRIES TEMPORAIS: ASPECTOS METODOLÓGICOS

MÓDULO 3 • SÉRIES TEMPORAIS INTERROMPIDAS E AVALIAÇÃO

Talvez até mais importante que antecipar os re-

A epidemiologia é a disciplina que se aplica ao

Nesse sentido, este curso focaliza a análise de séries temporais, um tópico

SÉRIES TEMPORAIS: ASPECTOS CONCEITUAIS DA

1.1 Melodia e tendência

Figura 1. Compassos iniciais do Hino Nacional Brasileiro

Quando estudamos séries temporais em estudos epidemiológicos, um primeiro elemento da

1.2 Harmonia e associação

Exemplificando o uso de informações qualitativas para justificar movimentos de tendência das

Vejamos agora outro exemplo de associação

As temperaturas médias diárias são, é claro,

1.3 Ritmo e sazonalidade

1.4 Ruído e variação aleatória

A variação aleatória na análise de séries temporais é definida como “flutuações irregulares e

SÉRIES TEMPORAIS: ASPECTOS METODOLÓGICOS DA

2.1 Estimar tendências

Os indicadores de mortalidade são consistentemente menos elevados para mulheres (Figura

A ideia de quantificar a tendência tem justamente

Considerando o traçado da reta de melhor ajuste entre os pontos da série temporal, ou de um

Fórmula 1: equação de regressão linear com componente de tendência

Fazendo a diferença de ambos os termos das duas equações, teremos:

logY(i+1) – logY(i) = b0 + b1X(i+1) – b0 – b1X(i) = b1[X(i+1) – X(i)]

logY(i+1) – logY(i) = log[Y(i+1)/Y(i)] = b1; ou Y(i+1)/Y(i) = 10^b1

Y(i+1)/Y(i) – 1 = –1 + 10^b1; ou:

[Y(i+1) – Y(i)]/Y(i) = – 1 + 10^b1

Fórmula 2: Taxa de incremento anual e intervalo de confiança (95%)

Taxa de incremento anual = – 1 + 10^b1

IC (95%) = – 1 + 10^b1máximo; – 1 + 10^b1mínimo

Entre no site do DATASUS (http://www2.datasus.gov.br/DATASUS/index.php) e clique

A inspeção visual do gráfico sugere tendência decrescente em São Paulo e estacio-

Tabela 1. Coeficiente de mortalidade infantil em São Paulo e Maranhão, 1996-2010.

1996 15710 699013 22,47

1996 1069 61056 17,51

Na sequência, são apresentadas as telas do Stata para o cálculo da tendência em

Tela 1. Como solicitar a análise de regressão de Prais-Winsten no Stata.

Tela 2. Como indicar as variáveis de interesse para a análise de Prais-Winsten.

Tela 3. Como definir a série temporal.

Na sequência, são apresentadas as telas do Stata para o cálculo da tendência em

Aplique os valores obtidos para o coeficiente e o intervalo de confiança (relativos à

Os valores obtidos para São Paulo comprovam a hipótese de tendência decrescente.

Objetivo: fixar as competências desenvolvidas na Atividade 1, repetindo as descrições

O Escritório Regional no Brasil do Programa das Nações Unidas para o Desenvol-

Repita os passos iniciais da atividade anterior; isto é, entre no site do DATASUS

2.2 Modelar sazonalidade

Fórmula 3: equação de regressão linear com componente sazonal

Y(i) = b0 + b1*X(i) + b2*sen[2πX(i)/L] + b3*cos[2πX(i)/L]

Na equação de regressão, se os coeficientes b2 e/ou b3, relativos ao seno e cosseno do termo

Quando o mesmo procedimento é aplicado à região Sul, os valores encontrados apontam a

Objetivo: ao final desta atividade os estudantes serão capazes de formular hipóteses

Y(i) = b0 + b1X(i) + b2sen[2πX(i)/L] + b3*cos[2πX(i)/L]

b1 (tempo) = 1,4710-4 (-4,4010-4 a +4,69*10-4), p = 0,949 – indicando que a

b2 (degrau) = -7,2910-2 (-17,2010-2 a +2,61*10-2) p = 0.146 – indicando que a

b3 (rampa) = -6,8110-3 (-12,0110-3 a -1,31*10-4) p = 0.016 – indicando que a

b4 (seno) = -2,8910-2 (-6,3810-2 a +0,60*10-2) p = 0.103 – indicando ausência

b5 (cosseno) = -6,4210-2 (-9,8710-2 a -2,96*10-2) p < 0.001 – indicando presen-