Al finalizar el curso, los participantes serán capaces de diseñar, implementar e interpretar análisis de series de tiempo para evaluar el impacto de exposiciones ambientales (temperatura y material particulado MP2,5) sobre desenlaces de salud (mortalidad y hospitalizaciones), utilizando modelos de regresión para datos de conteo y modelos de rezagos distribuidos no lineales en R.

• Describir los componentes de una serie de tiempo (tendencia, estacionalidad, autocorrelación) y explorar datos diarios de salud y exposición ambiental en R.
• Ajustar e interpretar modelos de regresión para datos de conteo (Poisson, cuasi-Poisson y binomial negativa), controlando confusores temporales y verificando sus supuestos
• Aplicar el diseño de series de tiempo interrumpidas para evaluar el efecto de intervenciones o políticas públicas sobre desenlaces de salud
• Implementar modelos GLM y GAM para caracterizar relaciones exposición-respuesta no lineales y efectos retardados de la temperatura y el MP2,5
• Implementar e interpretar modelos de rezagos distribuidos no lineales (DLNM), estimar la carga atribuible y comunicar los resultados para la toma de decisiones.

Unidad 1. Fundamentos y exploración de datos temporales: componentes de una serie de tiempo, diseño ecológico de series de tiempo, datos de conteo, autocorrelación y correlación cruzada.

Unidad 2. Modelos para datos de conteo: regresión de Poisson, sobredispersión, control de tendencia y estacionalidad con splines, y diagnóstico de residuos.

Unidad 3. Series de tiempo interrumpidas: regresión segmentada, cambios de nivel y de pendiente, contrafactual y manejo de la autocorrelación.

Unidad 4. GLM y GAM: relaciones exposición-respuesta no lineales, temperatura de mínima mortalidad, concepto de rezago y modelos de rezago simple.

Unidad 5. DLNM: función cross-basis, curvas acumuladas y específicas por rezago, riesgo atribuible, análisis de sensibilidad y comunicación de resultados.

Profesionales, investigadores/as y estudiantes de postgrado de salud pública, epidemiología, ciencias ambientales y áreas afines, de Chile y la región, interesados/as en analizar los efectos de exposiciones ambientales sobre la salud mediante series de tiempo en R.

• Conocimiento intermedio de bioestadística (regresión, pruebas de hipótesis, intervalos de confianza)
• Manejo intermedio de R y RStudio (importar datos, manipulación de data frames, gráficos básicos)
• Comprensión intermedia de epidemiología (riesgo relativo, confusión, causalidad)
• R versión 4.0 o superior instalado con los paquetes: ggplot2, dplyr, lubridate, splines, dlnm, MASS, forecastLaptop con capacidad para ejecutar R/RStudio