Tratamiento y estudio de series de temperatura para su aplicación en salud pública. El caso de Castilla – La Mancha (página 2)

Existen herramientas
disponibles ampliamente utilizadas en climatología para
salvar todos estos inconvenientes a fin de contar finalmente con
datos
meteorológicos fidedignos y representativos en la
realización de estudios ecológicos en salud
pública, especialmente si se han de utilizar para
establecer medidas preventivas o alertas fiables a partir, por
ejemplo, de cierto nivel de temperatura
ambiental.

Por consiguiente, el objetivo de
este trabajo es el
análisis y tratamiento de los datos de
temperatura de un amplio número de estaciones de
Castilla-La Mancha para su reducción a una cantidad de
estaciones representativas a efectos de su utilización en
estudios que relacionen variables
atmosféricas con indicadores
sanitarios, como la mortalidad, en este ámbito
territorial.

MATERIAL Y MÉTODOS

Variables de estudio y estaciones
seleccionadas

Los datos diarios de temperaturas máximas, medias
y mínimas fueron suministrados por el Instituto Nacional
de Meteorología (INM). De 329 estaciones
meteorológicas preseleccionadas dentro del territorio de
Castilla- La Mancha se escogieron aquellas que contenían
series de mediciones diarias de temperatura entre el 1 de enero
de 1974 y el 31 de diciembre de 2003 como mínimo (30
años), pérdidas de datos o lagunas incluidas,
cumpliendo estas condiciones 69 observatorios. Las estaciones
Guadalajara «Serranillo» y Toledo
«Buenavista» son continuación de Guadalajara
«Instituto» y Toledo «Lorenzana»
respectivamente, si bien mediando un cambio de
ubicación en ambas aunque a localizaciones próximas
dentro de las respectivas ciudades. La unión de las mismas
las denominaremos Guadalajara «Compuesta» y Toledo
«Compuesta».

Relleno de lagunas

Puesto que solo 6 estaciones (Albacete «Los Llanos
Base Aérea», Ciudad Real «Escuela de
Magisterio», Molina de Aragón, Salto de Zorita,
Toledo «Lorenzana» y Toledo «Buenavista»)
no presentan pérdidas en sus datos diarios, se hace
necesario completarlos en las series que sí las contienen,
de forma que no altere las características propias de las
mismas y tratar con la mayor certeza posible de que la
variabilidad de las series se deba solamente a factores
meteorológicos, sobre todo si se pretende estudiar
episodios de valores
extremos de temperatura, como es el caso de las olas de calor y de
frío, en las que es preciso estimar la temperatura de cada
día perdido de la forma más aproximada posible al
valor
original. Para ello son más adecuados los métodos
basados en la interpolación de datos de las estaciones
cercanas15,16 que los que se basan en funciones
probabilísticas a partir de los datos que se posea de la
propia serie17. Sin embargo, han de establecerse
criterios mínimos respecto a las series de temperaturas a
seleccionar para no alterar significativamente las
características originales de las series que
posteriormente se van a rellenar. Así, se incluirán
en el estudio las que tengan menos de 40 meses perdidos
(considerando como tales aquellos que presenten más de 15
días consecutivos sin valores) y en las que el
número de días sin datos sea menor del 6,5% del
total, siguiendo el esquema de Eischeid et al.18. Son
44 las estaciones en principio seleccionadas (13,3% de las 329
originales). Puesto que Guadalajara «Compuesta» y
Toledo «Compuesta» son, como se ha señalado,
unión de dos estaciones, será finalmente 42 el
número de estaciones a considerar.

Para el relleno de lagunas en las series de temperaturas
se escogen como máximo 4 estaciones de referencia para
cada serie a completar siempre que estén a menos de 300 Km
de distancia de la misma y tengan una correlación con ella
mayor de 0,35 (nivel de significación de un
95%)19. El siguiente paso consiste en la
descomposición de cada serie original y de sus respectivas
series referencia en series mensuales con su posterior normalización (restando a cada dato el
promedio total y dividiéndolo por su desviación
estándar). De este modo, para cada mes de una serie
primitiva con datos perdidos hay un máximo de 4 series de
referencia alternativas para completar esos datos. Para ello, se
utilizan 5 métodos de interpolación (Tabla
1)20,21 de manera que se escoge como serie de
corrección aquella que, entre todos los métodos de
interpolación testados, presente mayor correlación
con la serie original en ese mes.

 Detección de discontinuidades y
homogenización de las series de temperatura

Una vez subsanadas las lagunas que existían en
las series originales de temperaturas, es preciso asegurarse de
que la variabilidad de estas series de temperaturas rellenas
obedece a factores meteorológicos y climatológicos
y no a la aplicación de la técnica relatada. Es
decir, hay que tratar de detectar posibles in homogeneidades o
discontinuidades que también pueden ser debidas a, por
ejemplo, un cambio de ubicación de la estación o
del instrumento de medida.

Puesto que no se tiene información completa de la historia de las estaciones,
han de utilizarse métodos que no parten de posibles puntos
de discontinuidad22,23, basados en la detección
de variaciones significativas en la media de las series
temporales entre un año y otro, siendo necesario contar
con una serie de referencia homogénea que represente la
variabilidad climática regional de la serie a testar a fin
de poder
compararla con ella. Para conseguir esta serie de referencia se
parte de las series de las estaciones más
próximas.

Por tanto, en primer lugar han de crearse tantas series
de medias anuales como series de temperaturas (máxima,
mínima y media) y estaciones tenemos. A
continuación se seleccionan las cinco estaciones cercanas
con mayor coeficiente de correlación respecto a cada serie
en estudio24, número suficiente para que una
discontinuidad en las series no aparezca como significativa en la
serie final25,26.

Una vez realizada la selección
de las estaciones queda la construcción de una serie de referencia
para cada serie original de temperatura (tres por
estación: máximas, mínimas y medias) a
partir del último valor de la serie original, calculando
el resto de valores hacia atrás a fin de asegurar la
coincidencia en el valor más actual y que no suponga
discontinuidad. La interpolación se efectúa
mediante el método de
la media ponderada por el cuadrado del coeficiente de
correlación24 utilizando las 5 series de diferencias
seleccionadas. Puede afirmarse así que cada una de las
series de referencia ha quedado libre de cualquier inhomogeneidad
derivada de las series de las estaciones cercanas utilizadas en
el proceso.

La detección de discontinuidades en las series
temporales de temperaturas se realiza en dos etapas27.
La primera, a partir de un modelo de
regresión en dos fases y, posteriormente, la
utilización de varios tests estadísticos que
permitan asegurar que el punto de discontinuidad identificado no
sea debido a factores climáticos. El modelo de
regresión en dos fases para series
climáticas28 se basa en la creación de
series de diferencias entre las series de medias anuales y sus
series de referencia. Se ajusta la serie de diferencias mediante
una regresión
lineal simple y se calcula la suma de los cuadrados de los
residuos. Para cada punto de la serie se divide ésta en
dos partes, calculándose igualmente la suma del cuadrado
de los residuos para cada parte de la serie y sumando los valores de
ambas partes. Así, sucesivamente, para todos los puntos de
la serie hasta obtener una serie de valores límite. Cada
punto de la serie con valor inferior al límite
correspondiente será considerado como potencial punto de
discontinuidad, siempre que sea estadísticamente
significativo. Para evitar la detección de puntos
ficticios de discontinuidad35, se realizan,
consecutivamente, un test de
diferencia de medias entre ambas partes de la serie y el
método de multirrespuesta a permutación
(MMP)29,30. Los puntos que superen ambas pruebas
estadísticas serán considerados
discontinuidades.

El siguiente paso en la preparación de las series
de temperaturas sería la homogeneización o
reconstrucción de las series en las que se han detectado
inhomogeneidades. Esta se realiza siempre desde el final de la
serie (31 de diciembre de 2003), manteniendo los datos hasta la
primera discontinuidad. Desde este punto hasta el principio de la
serie (1 de enero de 1974) ha de eliminarse el error que
introduce la discontinuidad calculándose el valor de la
diferencia de medias entre las dos partes de la serie. Ese valor
se sumará o restará, según su signo, a la
primera parte de la serie, es decir, desde el inicio de la misma
hasta el punto de discontinuidad.

División de Castilla-La Mancha en áreas
homogéneas respecto a la temperatura:

La potencial división de la Comunidad
Castellanomanchega se estudia mediante el análisis de
conglomerados jerárquicos y su posterior validación
por análisis factorial.

El análisis de conglomerados jerárquico va
creando grupos de
variables (series de temperaturas) en función de
la distancia (medida del grado de similitud) que se encuentre
entre unas y otras, partiendo de grupos individuales hasta
obtener un único grupo o
conglomerado compuesto por todas las variables objeto del
análisis. Este proceso permite comprobar la distancia a la
que se van fundiendo elementos o grupos en cada etapa del mismo,
lo que supone valorar la heterogeneidad de los conglomerados que
se van uniendo en el análisis y decidir en qué paso
la fusión
de elementos la incrementa excesivamente. El análisis
factorial mediante componentes principales rotadas es una
técnica habitualmente utilizada en
climatología31,32 basada en que toda la
información de las diferentes series se encuentra
contenida en su varianza, pudiéndose distinguir
áreas o regiones con una variabilidad común,
afectadas por las mismas causas33. Se obtienen para
ello los autovalores de una matriz de
varianza-covarianza que expresa la variabilidad conjunta de todas
las variables, de forma que las primeras componentes explican la
mayor parte de la varianza de las series de temperaturas, la cual
es directamente proporcional a su autovalor. La solución
factorial propiamente dicha se encuentra en la matriz de
componentes principales, en la que aparecen los componentes con
autovalores superiores a 1, siguiendo el criterio de
Kaiser34, y que contiene las correlaciones entre las
variables originales (o saturaciones) y cada uno de los factores
extraídos. En el caso de extraerse dos ó más
componentes, para facilitar la interpretación y estimación de las
puntuaciones de los factores, se efectuaría la
rotación de la matriz de componentes principales por el
método Varimax, que es el más usado en
climatología35,36.

RESULTADOS

Las series de referencia utilizadas (4 series de
corrección en cada serie a completar) en la
interpolación de datos para el relleno de lagunas en las
series de temperaturas máximas (Tmax), medias (Tmed) y
mínimas (Tmin) presentan unos coeficientes de
correlación entre 0,46 y 0,98. El método de
interpolación más utilizado es la regresión
múltiple. Las series originales con mayor porcentaje de
datos perdidos son las correspondientes a Guadalajara
«Compuesta», con un 13,2 %. Las lagunas de
éstas se completan con datos de series con correlaciones
entre 0,78 y 0,93 con las originales, e intervienen como series
de corrección con coeficientes de correlación a
partir de 0,60.

Se detectan años de discontinuidad en 28, 29, y
31 de las series corregidas de temperaturas máximas,
medias y mínimas, respectivamente, por lo que se
procedió a su homogeinización. Los dos
únicos observatorios en los que consta un cambio de
ubicación son Toledo «Compuesta» (en 1982) y
Guadalajara «Compuesta» (en 1985), pudiéndose
apreciar que las discontinuidades se localizan para el primero en
1991 (Tmax), 1995 (Tmed) y 1981 (Tmin), y en 1984 (Tmed) y 1985
(Tmin) para el segundo. Solamente las estaciones de
Abenójar, Almadén «Minas», Cuenca,
Molina de Aragón y Cabezamesada no presentan punto de
discontinuidad en ninguno de los 30 años analizados y en
ninguna de sus series de temperaturas (Tmax, Tmed y Tmin). De
ellas, únicamente las de Molina de Aragón no
contienen datos perdidos. En ninguna serie de temperatura se han
detectado inhomogeneidades en más de un
año.

El análisis de conglomerados jerárquicos
no nos indica diferencias claras entre los grupos de series de
temperatura que se van formando, aunque mucho más evidente
y explicativo resulta el análisis factorial mediante
componentes principales, en el que se extrae un solo componente o
conglomerado para cada categoría de series de
temperaturas, según muestran sus valores de varianza total
explicada. Sirva como ejemplo la correspondiente a la
categoría de series de temperaturas máximas (Tmax)
ya que los resultados son similares para las otras dos
categorías (Tmed y Tmin), observándose que
sólo un factor explica el 93,450 % de la varianza, con el
único autovalor superior a 1 (39,249). El siguiente factor
presenta un autovalor de 0,293 y solamente sumaría un
0,697 % al total de la varianza explicada.

La matriz de componentes principales (Tabla 2) exhibe
las correlaciones existentes entre las series de temperaturas y
el único factor extraído. La menor
correlación para Tmax la ofrece la estación de
Abenójar (0,873) y la mayor Aranzueque (0,988), siendo
Torrenueva (0,869) y Toledo «Compuesta» (0,991, junto
con Alcázar de San Juan), respectivamente, para Tmed, y
Cañizares Central Vadillo (0,843) y Toledo
«Compuesta» (0,981, igual que Alcázar de San
Juan y Tomelloso) para la categoría Tmin. De forma
conjunta, si se calculara un coeficiente medio de
correlación máxima sería la estación
Toledo «Compuesta» la que mayor valor
alcanzaría (0,986). La otra estación con cambio de
emplazamiento en su secuencia temporal, Guadalajara
«Compuesta», tiene coeficientes de correlación
con el único componente del modelo de 0,985, 0,976 y 0,958
para Tmax, Tmed y Tmin, respectivamente.

La matriz de componentes principales rotados no se
calcula cuando en el análisis se extrae un solo
componente, como es el caso.

DISCUSIÓN

El análisis de componentes principales es
concluyente en cuanto al número de conglomerados o
clústers que extrae el modelo: uno. El autovalor del
único factor seleccionado para las series Tmax (39,249),
el porcentaje de varianza que explica (93,450 %), los autovalores
inferiores a 1 y la insignificante varianza adicional explicada
si se consideran más conglomerados dejan poco margen a
otra interpretación, teniendo en cuenta que los resultados
son similares si el análisis se realiza con las series de
temperaturas medias (Tmed) o mínimas (Tmin). Por tanto, no
se hallan diferencias significativas entre las 42 estaciones con
datos termométricos seleccionadas de Castilla-La Mancha
respecto a las series de temperaturas Tmax, Tmed y Tmin. Es
decir, la podemos considerar como una Región
isoclimática en función de la temperatura, como
apunta algún estudio ya realizado con 45 observatorios
distribuidos por toda España (3
en Castilla-La Mancha)19. El hecho de ser todas
provincias interiores, sin influencia marítima, puede
favorecer el resultado. Según esto, podrían
utilizarse los datos de cualquiera de sus estaciones para
estudiar la relación de las temperaturas con la
morbi-mortalidad o con cualquier otro indicador sanitario
regional. Sin embargo, parece lógico que de elegir una
sola estación representativa de la Región
ésta sería Toledo «Compuesta», ya que
es la que presenta un mayor coeficiente de correlación con
el factor obtenido si se consideran las tres categorías de
temperatura (Tmax, Tmed y Tmin) de forma conjunta, coincidiendo,
además, la condición de Toledo como capital
administrativa de Castilla-La Mancha.

Este análisis puede permitirnos realizar estudios
desagregados, por ejemplo, por provincias tomando como
estación de referencia la de la capital correspondiente,
por áreas de salud o por cualquier otra
unidad administrativa que se consideren oportuna. También
se podría dividir en función de alguna
característica de interés:
actividad económica principal, rural vs urbana,
pirámide poblacional, etc.

Una metodología como la que aquí se
propone viene a superar las limitaciones encontradas en estudios
que relacionan variables ambientales con la mortalidad y que
solamente podían incluir ciudades, con su población situada en un espacio
geográfico lo suficientemente pequeño como para
suponer a todos los individuos sometidos a iguales condiciones
climáticas y un tamaño de población tal que
lleve asociado un número de defunciones suficiente para
que el análisis estadístico reflejara resultados
significativos, sobre todo si se pretendía desagregar
según sexo, edad o
causas específicas de mortalidad. Proyectos como
los del Eurowinter Group37 en Europa o los
llevados a cabo por Schwartz38,39 o
Curriero3 en Estados Unidos de
América
estudian diferencias regionales dentro de su área
geográfica de trabajo analizando exclusivamente ciudades
con gran número de habitantes que presentan
características socioeconómicas parecidas. En
Castilla-La Mancha este tipo de planteamiento impediría el
análisis ya que sus poblaciones son pequeñas y
dispersas. Sin embargo, existen estudios que estiman la
sobremortalidad producida por la temperatura en un país
completo, como Holanda1, o en otra Comunidad
Autónoma como Madrid7,8, en los que se utiliza
una sola estación meteorológica de referencia sin
una base metodológica sólida que la sustente,
aunque en el caso de Madrid se
justifica la elección de la estación por ser sus
valores los que más se aproximan a la media diaria de
todos los observatorios de esa Comunidad, sin entrar en otras
consideraciones. No se conoce en ambos estudios ecológicos
si efectivamente toda la población está expuesta a
análogas condiciones de temperatura aún
tratándose de ámbitos geográficos más
reducidos que Castilla-La Mancha.

Por tanto, el hecho de que en este trabajo los
resultados justifiquen, a nuestro entender, la elección de
las estaciones de las capitales de provincia en Castilla-La
Mancha como representativas para estudiar la relación de
las variables ambientales con la mortalidad u otros indicadores
sanitarios provinciales, no obvia que sean necesarios
análisis similares en otros ámbitos territoriales
(como otras Comunidades Autónomas), especialmente si son
extensas, de orografía diversa o incluyen zonas costeras.
Más aún si la estación meteorológica
de alguna capital que se pretenda utilizar como referencia se
encuentra en el interior de una provincia litoral (por ejemplo,
Girona o Granada) y se considera como base del estudio la
mortalidad provincial. Los resultados podrían verse
gravemente distorsionados de tener un peso significativo la
población (y por tanto, la mortalidad) de la franja
costera, como de hecho suele ocurrir. El resultado podría
ser el establecimiento, en su caso, de umbrales de temperatura de
alerta a la población por olas de frío o de calor
cuanto menos aventurados.

La distribución geográfica de las 42
estaciones seleccionadas abarca prácticamente toda la
extensión de la Comunidad Castellanomanchega como puede
observarse en la Figura 1, por lo que puede entenderse que
representan de una manera fiel toda la gama de variaciones
termométricas que pueden darse en esta región. Se
decidió incluir Guadalajara «Compuesta»
(unión de Guadalajara «Serranillo» y
Guadalajara «Instituto») en el estudio a pesar de no
cumplir con el criterio de no superar el 6,5 % de datos perdidos
(13,2 %). Las series de temperatura de esta estación son
corregidas en sus datos perdidos y participa en el relleno de
lagunas de otras series con coeficientes de correlación
similares a las de otros observatorios. Su serie de temperaturas
máximas (Tmax) no presenta discontinuidad en ningún
año pese a constar un cambio de ubicación de la
estación en 1985, aunque sí se detecta en Tmed
(1984) y Tmin (1985), si bien solo en ésta coinciden el
año con discontinuidad y el cambio de localización.
La otra estación «Compuesta» (Toledo) no
ofrece coincidencia inhomogeneidad- cambio de ubicación en
ninguna de sus tres series. Esto puede estar indicándonos
la pertinencia de la unión de datos pre y post
deslocalización de ambos observatorios ya que de las seis
series implicadas cinco presentan continuidad, según el
análisis realizado, precisamente donde cabría
esperar discontinuidad. En cualquier caso, allí donde se
detecta se subsana mediante la correspondiente
homogenización de la serie implicada. Por tanto, no se
observa comportamiento
diferencial de las series de temperatura de la estación
Guadalajara «Compuesta» en los análisis
efectuados respecto al resto de estaciones seleccionadas, lo que
viene a ser corroborado por los coeficientes de
correlación calculados respecto al modelo final
extraído en el posterior análisis factorial (Tabla
2). Todo ello justifica la inclusión de dicha
estación en el modelo ya que, además, se encuentra
en una capital de provincia y suministra datos de otras variables
ambientales muy interesantes para estudios posteriores. Por otra
parte, sería poco entendible y poco pedagógico
utilizar, llegado el caso, Molina de Aragón o Aranzueque
como referencia para establecer, por ejemplo, una temperatura de
disparo de la mortalidad en la población de la provincia
de Guadalajara por ola de calor. Dado que la finalidad
última de estos estudios en salud pública es la
implementación de medidas preventivas, conviene hacerlo en
términos fácilmente comprensibles por la
población afectada.

La limitación que supone la utilización de
datos exclusivamente termométricos en este análisis
de conglomerados viene impuesta por la información
suministrada desde el INM: solamente 6 observatorios de Castilla-
La Mancha disponen de datos sobre otras variables
meteorológicas o ambientales como horas de luz, humedad o
presión
atmosférica (las 5 capitales de provincia más
Molina de Aragón, en Guadalajara).

En resumen, podemos afirmar que la metodología
utilizada nos permite corregir de forma coherente las
pérdidas de datos que las series temporales originales
puedan presentar y, partiendo de un gran número de
estaciones meteorológicas y al menos 30 años de
valores diarios de temperaturas, se puede realizar una
selección de series representativas de las temperaturas
diarias registradas en una región extensa como Castilla-
La Mancha, cumpliendo criterios climatológicos
internacionalmente aceptados. De esta manera, podemos estimar de
una manera fiable la exposición
que la población de Castilla-La Mancha tiene a la
temperatura del aire.

En resumen, podemos afirmar que la metodología
utilizada nos permite corregir de forma coherente las
pérdidas de datos que las series temporales originales
puedan presentar y, partiendo de un gran número de
estaciones meteorológicas y al menos 30 años de
valores diarios de temperaturas, se puede realizar una
selección de series representativas de las temperaturas
diarias registradas en una región extensa como Castilla-
La Mancha, cumpliendo criterios climatológicos
internacionalmente aceptados. De esta manera, podemos estimar de
una manera fiable la exposición que la población de
Castilla-La Mancha tiene a la temperatura del aire.

Glosario de términos:

– Análisis de conglomerados jerárquicos:
agrupación progresiva, paso a paso, de elementos
(variables en nuestro caso) en conglomerados indivisibles cada
vez más grandes, en función de su similitud, hasta
formar uno solo.

– Análisis factorial: técnica de
reducción de datos para encontrar grupos homogéneos
de variables a partir de un conjunto numeroso de
ellas.

– Análisis de componentes principales:
método de extracción del análisis factorial
que muestra la
variabilidad conjunta de todas las variables, con
expresión del número óptimo de factores o
conglomerados que explica la mayor parte de la varianza
total.

– Autovalores: expresan en un análisis de
componentes principales la cantidad de varianza explicada por
cada factor. Cada autovalor tiene asociado un porcentaje de
varianza explicada.

– Matriz de componentes principales: contiene las
correlaciones entre las variables originales y cada uno de los
factores extraídos o componentes principales.

– Matriz de componentes principales rotada:
opción para facilitar la interpretación de los
resultados, siempre y cuando la solución incluya un
mínimo de dos factores extraídos.

BIBLIOGRAFÍA

1. Kunst EA, Looman CWN, Mackenbach JP. Outdoor air
temperature and mortality in the Netherlands: A time-series
analysis. Am J Epidemiol 1993; 137:331-41.

2. Wen-Harn P, Lung-An L, Ming-Jan T. Temperature
extremes and mortality from coronary heart disease and cerebral
infarction in elderly Chinese. Lancet 1995; 345:353-5.

3. Curreiro FC, Heiner KS, Samet JM, Zeger SL, Strug L,
Patz JA. Temperature and mortality in 11 cities of the Eastern of
the United States. Am J Epidemiol 2002; 155:80-7.

4. Ballester F, Corella D, Pérez-Hoyos S,
Sáez M, Hervás A. Mortality as a function of
temperature. A study in Valencia, Spain 1991-1993. Int J
Epidemiol 1997; 26:551-61.

5. Saez M, Sunyer J, Castellsagué J, Murillo C,
Antó M.
Relationship between weather temperature and mortality: A time
series analysis approach in Barcelona. Int J Epidemiol 1995;
24:576-82.

6. Sierra Ortiz, M, Díaz Jiménez J,
Montero Rubio JC, Alberdi Odriozola JC, Mirón Pérez
IJ. Mortalidad diaria en la Comunidad de Madrid durante el
periodo 1986-1991 para el grupo de edad de 45 a 64 años:
su relación con la temperatura del aire. Rev Esp Salud
Pública 1997; 71:149-60.

7. Alberdi JC, Díaz J, Montero JC, Miron I. Daily
mortality in Madrid Community 1986-1992: Relationship with
meteorological variables. Eur J Epidemiol 1998;
14:571-8.

8. Montero JC, Mirón IJ, Díaz J, Alberdi
JC. Influencia de variables atmosféricas sobre la
mortalidad por enfermedades respiratorias y
cardiovasculares en los mayores de 65 años en la Comunidad
de Madrid. Gac Sanit 1997; 11:164-170.

9. Gill JS, Davis P, Gill SK, Beever DG. Wind-chill and
the seasonal variation of cerebrovascular desease. J Epidemiol
Community Health 1992; 46:261-5.

10. Lambert GW, Reid C, Kaye DM, Jennings GL, Esler MD.
Effect of sunlight and season on serotonin turnover in the brain.
Lancet 2002; 360:1840-2.

11. Montejo Pernas J. Estacionalidad de los trastornos
afectivos. Monografías de Psiquiatría 2000; Vol
XII, Nº1.

12. García-Herrera R, Díaz J, Trigo RM,
Hernández E, Dessai S. Extreme summer temperatures
in Iberia: Health impacts and associated synoptic conditions. Ann
Geophy 2005; 23:239-51.

13. Martínez F, Simón-Soria F,
López-Abente G. Valoración del impacto de la ola de
calor del verano de 2003 sobre la mortalidad. Gac Sanit 2004;
18:250-8.

14. 49 Reglamento Técnico de la OMM. Documentos
Fundamentales nº 2; Vol. I-Generalidades, 1988.

15. DeGaetano AT, Eggleston KL, Knapp WW. A Method to
Estimate Missing Daily Maximum and Minimum Temperature
Observations. J Appl Meteorol 1995; 34:371-80.

16. Schneider T. Analysis of Incomplete Climate Data:
Estimation of Mean Values and Covariance Matrices and
Imputation of Missing Values. J Climate 2001;
14:853-71.

17. García Herrera R, Gallego D, Hernández
E. Influence of the North Atlantic Oscillation on the Canary
Islands precipitation. J Climate 2001; 14:3889-3903.

18. Eischeid JK, Pasteris PA, Diaz HF, Plantico MS, Lott
NJ. Creating a Serially Complete, National Daily Time Series of
Temperature and Precipitation for the Western United States. J
Appl Meteorol 2000; 39:1580-91.

19. Prieto L, García Herrera R, Díaz J,
Hernández E, Del Teso T. Minimum extreme temperatures over
Peninsular Spain. Global Planetary Change 2004;
44:59-71.

20. Eischeid JK, Baker CB, Karl TR, Diaz HF. The quality
control of
longterm climatological data using objetive data analysis. J Appl
Meteorol 1995; 34:2787-95.

21. Young KC. A three-way model for interpolating
monthly precipitation values. Mon Weather Rev 1992;
120:2561-9.

22. Vicent, L. A. A technique for the identification of
inhomogeneities in Canadian temperature series. J Climate 1998;
11:1094-1104.

23. Rhoades DA, Salinger MJ. Adjustment of temperature
and rainfall records for site changes. Int J Climatol 1993;
13:899-913.

24. Peterson TC, Easterling DR. Creation of homogeneous
composite climatological reference series. Int J Climatol 1994;
14:671-9.

25. Easterling DR, Peterson TC. Techniques for detecting
and adjusting for artificial discontinuities in climatological
time series: a review. Fifth International Meeting on Statistical
Climatology, June 22-26, Toronto, Ontario, pp. J28-J32,
1992.

26. Easterling DR, Peterson TC. A new method for
detecting undocumented discontinuities in climatological time
series. Int J Climatol 1995; 15:369-77.

27. Solow AR. Testing for climate change: An application
of the two-phase regression model. J Climate Appl Meteorol 1987;
26:1401-5.

28. Lund R, Reeves J. Detection of Undocumented
Changepoints: A Revision of the Two-Phase Regression Model. J
Climate 2002; 15:2547-54.

29. Mielke PW, Barry KJ, Brier, GW. Application of
Multi-Response Permutation Procedures for Examining Seasonal
Changes in Monthly Mean Sea-Level Pressure Patterns. Mon Weather
Rev 1981; 109:120-6.

30. Karl TR, Williams CN. An Approach to Adjusting
Climatological Time Series for Discontinuous Inhomogeneities. J
Climate Appl Meteorol 1987; 26:1744-63.

31. White D, Richman M, Tarnal B. Climate
Regionalization and Rotation of Principal Component Analysis. Int
J Climatol 1991; 11:1-25.

32. Fernández-Mills G, Lana X, Serra C.
Catalonian precipitation patterns: Principal component analysis
and automated regionalization. Theor Appl Climatol 1994;
49:201-212.

33. Ribera P. Patrones de variabilidad climática
en el Mediterráneo. Tesis
doctoral. 173p., Universidad
Complutense. Madrid, 1999.

34. Kaiser HF. The Varimax criterion for analytic
rotation in factor analysis. Psychometrika 1958;
23:187-200.

35. Richman MB. Review article, rotation of principal
components. Int J Climatology 1986; 6:293-335.

36. Stone RC. Weather types at Brisbane, Queensland: an
example of the use of principal components and cluster analysis.
Int J Climatol 1989; 9:3-32.

37. The Eurowinter Group. Cold Exposure and winter from
ischaemic heart disease, cerebrovascular disease, respiratory
disease, and all causes in warm and cold regions of Europe.
Lancet 1997; 349:1341-6.

38. O'Neill MS, Zanobetti A, Schwartz J.
Modifiers of the Temperature and Mortality Association in Seven
US Cities. Am J Epidemiol 2003; 157:1074-82.

39. Schwartz J. How Sensitive Is the Association between
Ozone and Daily Deaths to Control for Temperature?. Am J Respir
Crit Care Med 2005; 171:627-31.

Isidro J. Mirón Pérez (1), Juan Carlos
Montero Rubio (1), Juan José Criado- Álvarez (1),
Gonzalo Gutierrez Ávila (1), Daniel Paredes Beato (2),
Sheila Mayoral Arenas (3) y Cristina Linares Gil (4).
(1)
Consejería de Sanidad, Junta de Comunidades de Castilla-
La Mancha.
(2) Dpto. Física
de la Tierra II,
Facultad de CC. Físicas Universidad Complutense de
Madrid.
(3) Sociedad
Castellanomanchega de Medicina
Preventiva y Salud Pública.
(4) Asesora de la Fundación General de la Universidad
Autónoma de Madrid para el Dpto. de Educación para el
Desarrollo
Sostenible del Ayuntamiento de Madrid.
(*) Este trabajo se ha financiado con una ayuda a la Sociedad
Castellanomanchega de Medicina Preventiva y Salud Pública
de la Consejería de Sanidad de la Junta de Comunidades de
Castilla- La Mancha (Expediente PI 22/2003).