Skip to contents

Modelagem 1: DLNM — Modelo de Defasagem Distribuída Não-Linear

Equipe climasus4r

17/10/2026

Source: vignettes/mod-01-dlnm.Rmd
mod-01-dlnm.Rmd

Objetivo

Ao final deste tutorial você será capaz de ajustar um DLNM (Distributed Lag Non-linear Model) para quantificar a relação entre temperatura e mortalidade diária, interpretar a curva exposição-resposta cumulativa, a curva lag-resposta e a superfície bidimensional exposição × lag, e conhecer todas as visualizações disponíveis em sus_mod_plot_dlnm().

O DLNM é a pedra angular do chapéu bioestatístico do climasus4r. Ele conecta a série diária de saúde (produzida nos Tutoriais 1–4) à exposição climática alinhada (Tutoriais 7–8) e produz estimativas de risco relativo prontas para quantificação de carga atribuível (Tutorial de Modelagem 2), meta-análise multi-cidade (Tutorial de Modelagem 5) e análise de vulnerabilidade (Tutorial de Modelagem 9).

Contexto científico

A epidemiologia ambiental moderna reconhece que a associação entre temperatura e mortalidade é não-linear e defasada no tempo. O calor extremo mata nos primeiros 1–2 dias (efeito agudo); o frio mata ao longo de 1 a 3 semanas (efeito tardio e cumulativo). Modelar apenas a temperatura do mesmo dia subestima sistematicamente o risco do frio e pode mascarar o pico de mortalidade no inverno subtropical.

Gasparrini, Armstrong & Kenward (2010) propuseram o DLNM para resolver esse problema com uma cross-basis: o produto externo de duas bases de splines — uma na dimensão da exposição (captura a forma U/J: risco sobe no frio e no calor) e outra na dimensão do lag (captura como o efeito se distribui pelos dias seguintes). A implementação em R é o pacote dlnm (Gasparrini, 2011), sobre o qual o climasus4r constrói sus_mod_dlnm().

O ajuste segue as boas práticas de regressão de séries temporais em epidemiologia ambiental sistematizadas por Bhaskaran et al. (2013): modelo log-linear quasi-Poisson, controle de tendência de longo prazo e sazonalidade por spline natural do tempo, e risco relativo centrado na mediana da exposição como valor de referência (Armstrong, 2006).

As fórmulas detalhadas da crossbasis e do RR cumulativo são apresentadas na seção Fórmulas abaixo.

Caso condutor. Investigamos a temperatura e os desfechos de saúde em idosos (60+) na Região Metropolitana de São Paulo, 2014–2019 (doenças respiratórias J00–J99). Juntamos a série diária de óbitos (dados/caso_serie.rds, Tutorial 4) com a temperatura da estação INMET A701 (dados/caso_clima_estacao.rds, Tutorial 7), construímos a estrutura de lags distribuídos e ajustamos o DLNM quasi-Poisson para estimar a curva exposição-resposta e o lag de pico.

Fórmulas

O DLNM modela o número esperado de eventos YtY_t na data tt como:

log⁡{E(Yt)}=α+∑ℓ=0Ls(xt−ℓ,ℓ;𝛃)+ns(t)+γDOWt \log\{E(Y_t)\} = \alpha + \sum_{\ell=0}^{L} s(x_{t-\ell},\, \ell;\,\boldsymbol{\beta}) + \mathrm{ns}(t) + \gamma\,\mathrm{DOW}_t

onde s(xt−ℓ,ℓ;𝛃)s(x_{t-\ell}, \ell;\,\boldsymbol{\beta}) é a função cross-basis — produto externo de uma base de spline sobre a exposição xt−ℓx_{t-\ell} (temperatura no lag ℓ\ell) e de uma base de spline sobre o lag ℓ∈{0,…,L}\ell \in \{0, \ldots, L\}, com vetor de coeficientes 𝛃\boldsymbol{\beta}; ns(t)\mathrm{ns}(t) é um spline natural do tempo para controlar sazonalidade e tendência de longo prazo; e γDOWt\gamma\,\mathrm{DOW}_t controla o efeito do dia da semana.

O efeito cumulativo da exposição xx relativamente ao valor de referência x0x_0 (mediana de lag-0) é:

RRcum(x)=exp⁡{∑ℓ=0L[s(x,ℓ;𝛃̂)−s(x0,ℓ;𝛃̂)]} RR_{\text{cum}}(x) = \exp\!\left\{ \sum_{\ell=0}^{L} \bigl[s(x,\, \ell;\,\boldsymbol{\hat\beta}) - s(x_0,\, \ell;\,\boldsymbol{\hat\beta})\bigr] \right\}

Parâmetros-chave implementados por sus_mod_dlnm():

Parâmetro Notação Controlado por
Base da exposição s(⋅;𝛃)s(\cdot; \boldsymbol{\beta}) sobre xx argvar
Base do lag s(⋅;𝛃)s(\cdot; \boldsymbol{\beta}) sobre ℓ\ell arglag
Janela de lag LL lag_max
gl sazonalidade gl de ns(t)\mathrm{ns}(t) dof_per_year
Valor de referência x0x_0 ref_value

Dados utilizados

Entrada Origem Conteúdo Papel
dados/caso_serie.rds Tutorial 4 Série diária de óbitos (idosos 60+) Desfecho n_obitos
dados/caso_clima_estacao.rds Tutorial 7 Temperatura diária da estação A701 Exposição tair_dry_bulb_c

As duas séries são unidas por data. A exposição é então expandida em 22 colunas de lag distribuído (tair_dry_bulb_c_lag0, …, tair_dry_bulb_c_lag21), estrutura que em fluxo real é produzida por sus_climate_aggregate(temporal_strategy = "distributed_lag", lag_days = 21). O script protege cada etapa com file.exists() e, se as entradas faltarem, gera uma série sintética mínima realista (com sinal de temperatura-mortalidade em V) para que o código rode mesmo sem o pipeline completo.

Pipeline completo

Os blocos abaixo reproduzem exatamente o que scripts/modelagem_01_dlnm.R executa.

library(climasus4r)

Bloco 0 — Carregar as entradas encadeadas 

# Caminhos das entradas encadeadas
path_saude <- file.path("vignettes-pt", "dados", "caso_serie.rds")
path_clima <- file.path("vignettes-pt", "dados", "caso_clima_estacao.rds")

# Série diária de saúde
saude_diaria <- NULL
if (file.exists(path_saude)) {
  caso_serie   <- readRDS(path_saude)
  saude_df     <- dplyr::as_tibble(caso_serie)
  saude_diaria <- saude_df |>
    dplyr::summarise(n_obitos = sum(n_obitos, na.rm = TRUE), .by = date) |>
    dplyr::arrange(date)
}

# Série diária de temperatura
clima_diario <- NULL
if (file.exists(path_clima)) {
  caso_clima   <- readRDS(path_clima)
  clima_diario <- caso_clima$clima_diario |>
    dplyr::transmute(date = as.Date(date), tair_dry_bulb_c) |>
    dplyr::arrange(date)
}

# Fallback sintético realista (série em V, 6 anos)
if (is.null(clima_diario) || is.null(saude_diaria)) {
  # ... veja scripts/modelagem_01_dlnm.R para a implementação completa
}

# Juntar por data
serie <- dplyr::inner_join(saude_diaria, clima_diario, by = "date") |>
  dplyr::arrange(date) |>
  tidyr::drop_na(n_obitos, tair_dry_bulb_c)

Bloco 1 — Construir a estrutura de lags distribuídos

Em fluxo completo do climasus4r, as colunas _lagN são produzidas por sus_climate_aggregate(temporal_strategy = "distributed_lag", lag_days = 21). Aqui, com a série já alinhada por data, geramos os lags diretamente:

VAR_TEMP <- "tair_dry_bulb_c"
LAG_MAX  <- 21L

df_lags <- serie
for (k in 0:LAG_MAX) {
  df_lags[[paste0(VAR_TEMP, "_lag", k)]] <- dplyr::lag(serie$tair_dry_bulb_c, n = k)
}

# Seleciona apenas: date, desfecho, colunas de lag
df_lags <- df_lags |>
  dplyr::select(
    date, n_obitos,
    dplyr::all_of(paste0(VAR_TEMP, "_lag", 0:LAG_MAX))
  )

# Promove a climasus_df com stage = "climate", type = "distributed_lag"
df_dl <- dplyr::as_tibble(df_lags)
attr(df_dl, "sus_meta") <- list(
  system  = "SIM",
  stage   = "climate",
  type    = "distributed_lag",
  backend = "tibble",
  history = "[derivado] serie diaria -> lags distribuidos tair_dry_bulb_c"
)
class(df_dl) <- c("climasus_df", class(df_dl))

Bloco 2 — sus_mod_dlnm(): ajuste do DLNM quasi-Poisson 

fit <- sus_mod_dlnm(
  df           = df_dl,
  outcome_col  = "n_obitos",
  climate_col  = "tair_dry_bulb_c",
  lag_max      = 21L,
  covariates   = NULL,                       # confundidores adicionais (opcional)
  argvar       = list(fun = "ns", df = 4),   # spline natural, 4 gl exposição
  arglag       = list(fun = "ns", df = 3),   # spline natural, 3 gl lag
  family       = "quasipoisson",             # robusto à superdispersão
  ns_df        = NULL,                       # calculado automaticamente via dof_per_year
  dof_per_year = 4L,                         # gl/ano para sazonalidade (use 6 para Brasil subtropical)
  ref_value    = NULL,                       # mediana de lag-0 = valor de referência
  pred_at      = c(0.25, 0.50, 0.75, 0.90, 0.95, 0.99),
  alpha        = 0.05,
  lang         = "pt",
  verbose      = TRUE
)

# Inspecionar o resultado
print(fit)
fit$exposure_response   # RR cumulativo nos percentis pred_at
fit$lag_response        # RR por lag no percentil 75
fit$diagnostics         # razão de dispersão, Ljung-Box, AIC

Bloco 3 — sus_mod_plot_dlnm(): todas as visualizações 

# overall: curva exposição-resposta cumulativa (painel principal + histograma)
sus_mod_plot_dlnm(fit, type = "overall", lang = "pt")

# lag: curva lag-resposta no percentil 75 (RR específico e cumulativo)
sus_mod_plot_dlnm(fit, type = "lag", lang = "pt")

# surface: superfície 3-D bidimensional exposição × lag
# (interactive = FALSE usa contorno estático como fallback)
sus_mod_plot_dlnm(fit, type = "surface", interactive = FALSE, lang = "pt")

# contour: mapa de contorno 2-D log(RR) para publicação
sus_mod_plot_dlnm(fit, type = "contour", lang = "pt")

# slice: curvas de resposta por lag específico (valores > lag_max são descartados)
sus_mod_plot_dlnm(fit, type = "slice",
                  lags_at = c(0L, 3L, 7L, 14L, 21L), lang = "pt")

# distribution: histograma/densidade da exposição com percentis-chave
sus_mod_plot_dlnm(fit, type = "distribution", lang = "pt")

# series: série temporal desfecho (barras) + exposição lag-0 (eixo dual)
sus_mod_plot_dlnm(fit, type = "series", lang = "pt")

# output_type = "all": retorna lista nomeada $plot, $table, $data
out <- sus_mod_plot_dlnm(fit, type = "overall",
                         output_type = "all", lang = "pt")
out$table   # lista de 3 gt_tbl: especificação, curva RR, diagnósticos
out$data    # lista: $exposure_response, $lag_response, $data_daily, $diagnostics

Bloco 4 — Salvar o fit para reuso (M2 e M8) 

# O objeto climasus_dlnm é salvo para alimentar
# Tutorial M2 (fração atribuível) e M8 (meta-análise multi-cidade).
# save_tbl() (definida em scripts/_setup_tutoriais.R) persiste em
# vignettes-pt/dados/mod_dlnm_fit.rds; o script também copia para
# dados/mod_dlnm_fit.rds (raiz do pacote) para encadeamento com M2 e M8.
save_tbl(fit, "mod_dlnm_fit")
saveRDS(fit, file.path("dados", "mod_dlnm_fit.rds"))

Características das funções

sus_mod_dlnm()

Ajusta um DLNM a partir de um climasus_df no estágio "climate" / tipo "distributed_lag", produzido por sus_climate_aggregate(temporal_strategy = "distributed_lag"). Constrói a crossbasis, ajusta um GLM e pré-computa a crosspred numa grade de 100 pontos entre o 1° e o 99° percentil da exposição.

Argumento Padrão Descrição
df — climasus_df com date, desfecho e colunas {var}_lagN
outcome_col "n_obitos" Nome da coluna de contagem diária do desfecho
climate_col NULL Base do nome da exposição (sem _lagN); autodetecta por prioridade se NULL
lag_max NULL Lag máximo; autodetecta do maior N nas colunas _lagN
covariates NULL Confundidores adicionais a incluir linearmente no GLM
argvar list(fun="ns", df=4) Base da dimensão de exposição da crossbasis
arglag list(fun="ns", df=3) Base da dimensão de lag da crossbasis
family "quasipoisson" Família GLM; "negbin" é redirecionada para "quasipoisson"
ns_df NULL gl para o spline temporal; NULL usa dof_per_year × n_anos
dof_per_year 4L gl por ano para sazonalidade (recomendado 6 no Brasil subtropical)
ref_value NULL Valor de referência (RR = 1); NULL usa a mediana de lag-0
pred_at c(.25,.5,.75,.9,.95,.99) Quantis para relatar na tabela $exposure_response
alpha 0.05 Nível do IC (padrão: 95% CI)
lang "pt" Idioma das mensagens: "pt", "en", "es"

Retorno — objeto climasus_dlnm (lista S3):

Componente Conteúdo
$model Objeto glm ajustado (compatível com dlnm::crosspred())
$crossbasis Objeto dlnm::crossbasis (base exposição × lag)
$pred Objeto dlnm::crosspred — allRRfit/low/high (efeito geral) e matRRfit/low/high (lag-específico)
$exposure_response Tibble: pct, exposure, rr, lo, hi nos percentis pred_at
$lag_response Tibble: lag, rr, lo, hi, rr_cum — RR por lag no P75
$models Tibble resumo de 1 linha: variable, n, family, lag_max, rr, lo, hi, lag_peak, disp_ratio, aic_poisson
$data_daily Tibble agregada por data (desfecho somado; clima em média) usada no ajuste
$diagnostics Lista: disp_ratio, disp_category, autocorr_pval, has_autocorr, aic_poisson, deviance, df_residual
$meta Lista com todos os parâmetros do ajuste + histórico sus_meta

Seleção da base (argvar / arglag):

argvar Quando usar
list(fun="ns", df=3) Não-linearidade suave; conservador
list(fun="ns", df=4) Curva em U/J (calor + frio, padrão)
list(fun="ns", df=5) Dose-resposta complexa; grandes N
list(fun="lin") Teste de hipótese linear
arglag Quando usar
list(fun="ns", df=3) Decaimento suave; mortalidade por temperatura (padrão)
list(fun="ns", df=4) Lag bimodal; efeito do frio
list(fun="poly", df=2) Conservador; amostras pequenas

Controle de sazonalidade (dof_per_year):

  • 4 gl/ano: séries de 1–2 anos; sazonalidade anual
  • 6 gl/ano: Brasil subtropical; sazonalidade mais pronunciada
  • 8 gl/ano: arboviroses; variação sub-sazonal

Métodos S3 disponíveis: print(), summary(), coef(), tidy() (retorna um tibble de uma linha compatível com dplyr::bind_rows()).

sus_mod_plot_dlnm()

Produz visualizações científicas e tabelas estatísticas a partir de um objeto climasus_dlnm. Implementa todos os sete tipos de visualização padrão em epidemiologia de DLNM.

Argumento Padrão Descrição
fit — Objeto climasus_dlnm de sus_mod_dlnm()
type "overall" Tipo de visualização (ver tabela abaixo)
output_type "plot" "plot" → ggplot2/plotly; "table" → gt; "all" → lista $plot, $table, $data
exposure_at NULL Exposição focal para o gráfico "lag" (padrão: P75)
lags_at c(0,3,7,14,21) Lags exibidos no tipo "slice" (recortados em lag_max)
pred_at c(.05,.10,.25,.50,.75,.90,.95,.99) Quantis na tabela estatística
interactive FALSE TRUE → plotly::ggplotly() / superfície 3-D plotly
color_palette "npg" Paleta ggsci (outras: "lancet", "jama", "nejm")
lang "pt" Idioma dos rótulos: "pt", "en", "es"

Tipos de visualização (type =)

type O que mostra Referência
"overall" Curva exposição-resposta cumulativa (RR + IC 95%) com histograma da exposição no painel inferior Gasparrini et al. (2010)
"lag" RR lag-específico e cumulativo em um dado nível de exposição (padrão P75) Gasparrini et al. (2010)
"surface" Superfície 3-D bidimensional exposição × lag (interactive = TRUE → plotly 3-D; estático → contorno) Gasparrini (2011)
"contour" Mapa de contorno 2-D (log(RR), escala divergente) para publicação Gasparrini et al. (2014)
"slice" Curvas de resposta para lags específicos sobrepostas (perfis dose-resposta por tempo de lag) Armstrong (2006)
"distribution" Histograma + kernel density da exposição com marcadores nos percentis-chave Bhaskaran et al. (2013)
"series" Série temporal diária do desfecho (barras) e exposição (linha, eixo dual) Bhaskaran et al. (2013)

Retorno (output_type):

  • "plot" → objeto ggplot ou plotly
  • "table" → lista de gt_tbl (ou tibble se gt indisponível) com 3 seções: (1) especificação do modelo, (2) curva RR nos percentis,
    1. diagnósticos do modelo
  • "all" → lista nomeada $plot, $table, $data (contendo $exposure_response, $lag_response, $data_daily, $diagnostics)

Resultados ilustrados

Série temporal: desfecho e exposição

Figura 1. Série temporal diária de óbitos de idosos (barras verdes) e temperatura média (linha laranja, eixo secundário escalado), RMSP 2014–2019. O padrão sazonal é visível: picos de mortalidade coincidem com o inverno subtropical (junho–agosto), quando as temperaturas mínimas diárias caem abaixo do limiar de conforto térmico. A exposição ao calor extremo (verao austral, dezembro–fevereiro) produz um efeito mais agudo.

Distribuição da temperatura

Figura 2. Distribuição da temperatura diária (lag 0) com percentis- chave marcados (P10, P25, P50 — referência, P75, P90, P99). A mediana é o valor de referência (RR = 1) do DLNM. A faixa P25–P75 representa as condições térmicas “habituais”; valores acima do P90 e abaixo do P10 definem os limiares de calor e frio extremos.

Curva exposição-resposta cumulativa (type = "overall")

Figura 3. Curva exposição-resposta cumulativa (RR e IC 95% pelo método delta). O padrão em V é característico da associação temperatura-mortalidade no Brasil subtropical: risco elevado no frio moderado (efeito tardio e acumulado) e, em menor magnitude, no calor extremo (efeito agudo). A linha tracejada horizontal marca RR = 1; a linha pontilhada vertical marca a mediana da exposição (valor de referência). Os pontos coloridos indicam os quantis reportados na Tabela 1.

Curva lag-resposta (type = "lag")

Figura 4. Curva lag-resposta para o 75° percentil da exposição. A linha sólida mostra o RR lag-específico (efeito em cada dia isolado); a linha tracejada mostra o RR cumulativo acumulado até aquele lag. O lag de pico — dia em que o efeito lag-específico é máximo — é reportado nos diagnósticos do modelo.

Mapa de contorno (type = "contour")

Figura 5. Mapa de contorno do log(RR) em função da temperatura (eixo y) e do dia de lag (eixo x). Cores quentes (laranja/vermelho) indicam excesso de risco; cores frias (verde) indicam risco reduzido em relação à mediana. O mapa evidencia simultaneamente a forma (não-linearidade em relação à temperatura) e a distribuição temporal (como o efeito se prolonga pelos lags). Isolinhas brancas marcam os níveis ±0,1 e ±0,2 de log(RR).

Curvas por lag específico (type = "slice")

Figura 6. Curvas de exposição-resposta para lags selecionados (0, 3, 7, 14 e 21 dias). Cada curva mostra como o perfil dose-resposta muda ao longo do tempo. O efeito do calor extremo é mais pronunciado no lag 0–3 (resposta aguda); o efeito do frio moderado persiste até o lag 14–21 (resposta tardia e distribuída).

Resumo estatístico do modelo

Tabela 1. Especificação e diagnósticos do DLNM ajustado.
Parametro Valor
Exposicao climatica tair_dry_bulb_c
Desfecho n_obitos
Familia GLM quasipoisson
Lag maximo (dias) 21
Base exposicao (argvar) ns(df=4)
Base lag (arglag) ns(df=3)
gl/ano (sazonalidade) 4
N observacoes (dias) 2170
Valor de referencia (degC) 18.8
RR cumulativo no P75 0.7355
IC 95% RR (P75) [0.4858; 1.1134]
Lag de efeito pico (dias) 0
Razao de dispersao (phi) 1.132
Categoria dispersao adequate
AIC (Poisson re-fit) 8051.1
Ljung-Box p-valor 0.0138
Autocorrelacao residual Sim (p < 0.05)
Tabela 2. Curva exposição-resposta: RR cumulativo nos percentis da temperatura.
pct exposure rr lo hi
0.25 15.980 0.7695253 0.5363601 1.104052
0.50 18.805 1.0003781 0.9938598 1.006939
0.75 21.950 0.7354524 0.4857910 1.113422
0.90 23.711 0.8367105 0.4584446 1.527086
0.95 24.376 0.9651056 0.4831790 1.927710
0.99 25.673 1.3823675 0.5457206 3.501682

Tabela 2. Risco Relativo cumulativo (IC 95%) para cada percentil da distribuição de temperatura, relativamente à mediana (RR = 1). Valores acima de 1,00 indicam excesso de risco; valores abaixo de 1,00 indicam proteção relativa. Percentis acima do P90 e abaixo do P10 indicam exposições extremas.

Interpretação e boas práticas

Razão de dispersão (ϕ̂\hat\phi). O quasi-Poisson é recomendado quando ϕ̂>1,5\hat\phi > 1{,}5 (Armstrong, 2006). A razão de dispersão é reportada em fit$diagnostics$disp_ratio; categoria "adequate" indica ϕ̂<1,5\hat\phi < 1{,}5.

Autocorrelação residual. O teste de Ljung-Box (10 lags dos resíduos de desvio) detecta autocorrelação remanescente após o controle de sazonalidade. Se positivo (has_autocorr = TRUE), aumente dof_per_year ou acrescente covariates = "dow" (dia da semana) (Bhaskaran et al., 2013).

Graus de liberdade do spline temporal. A regra geral é dof_per_year = 4 para 1–2 anos de dados e dof_per_year = 6 para o Brasil subtropical (sazonalidade mais acentuada). Para arboviroses com picos sub-sazonais, dof_per_year = 8. Visualize o resíduo sazonal com fit$data_daily para verificar o ajuste.

Valor de referência. O padrão é a mediana da exposição de lag-0. Em estudos comparativos multi-cidade, use um valor fixo comum (ref_value = 20.0) para garantir comparabilidade nas curvas exposição-resposta.

Encadeamento. O objeto mod_dlnm_fit.rds (componente climasus_dlnm) é a entrada dos tutoriais:

  • M2 (Fração Atribuível): sus_mod_af(fit = fit, ...)
  • M5 (Meta-análise): sus_mod_pool(fits = list(rmsp = fit, ...), ...)
  • M8 (Bayes Espaço-Tempo): modelo com offset baseado no RR estimado

Referências

  • Armstrong, B. (2006). Models for the relationship between ambient temperature and daily deaths. Epidemiology, 17(6), 624–631. https://doi.org/10.1097/01.ede.0000239732.50999.58

  • Bhaskaran, K., Gasparrini, A., Hajat, S., Smeeth, L., & Armstrong, B. (2013). Time series regression studies in environmental epidemiology. International Journal of Epidemiology, 42(4), 1187–1195. https://doi.org/10.1093/ije/dyt092

  • Gasparrini, A., Armstrong, B., & Kenward, M. G. (2010). Distributed lag non-linear models. Statistics in Medicine, 29(21), 2224–2234. https://doi.org/10.1002/sim.3940

  • Gasparrini, A. (2011). Distributed lag linear and non-linear models in R: the package dlnm. Journal of Statistical Software, 43(8), 1–20. https://doi.org/10.18637/jss.v043.i08

  • Gasparrini, A., Armstrong, B., & Kenward, M. G. (2014). Reducing and meta-analysing estimates from distributed lag non-linear models. BMC Medical Research Methodology, 14, 70. https://doi.org/10.1186/1471-2288-14-70

  • Saldanha, R. F., Bastos, R. R., & Barcellos, C. (2019). Microdatasus: pacote para download e pré-processamento de microdados do DATASUS. Cadernos de Saúde Pública, 35(9), e00032419.

Como reproduzir as figuras. Rode uma única vez, a partir da raiz do pacote: Rscript scripts/modelagem_01_dlnm.R O script salva as figuras em vignettes-pt/figuras/ (prefixo moddlnm_), as tabelas em vignettes-pt/dados/ e o objeto ajustado mod_dlnm_fit.rds (entrada para M2 e M8).