Cette troisième et dernière activité a permis d’élargir la perspective sur la modélisation de séries chronologiques en santé publique. On a vu comment les modèles ARIMA et SARIMA permettent de traiter les séries non stationnaires et saisonnières, beaucoup plus proches des données épidémiologiques réelles.
Les modèles ARIMA corrigent les tendances à long terme grâce à la différenciation, tandis que les modèles SARIMA intègrent également les cycles saisonniers récurrents, ce qui améliore considérablement la qualité des prévisions. Ces modèles sont particulièrement utiles pour la surveillance de maladies présentant des motifs répétitifs, comme la grippe, la dengue ou la syphilis.
Enfin, les notions de covariables et d’effets spatiaux ouvrent la voie à une modélisation plus réaliste et intégrée : les phénomènes de santé publique ne dépendent pas seulement du temps, mais aussi de leur contexte (environnemental, démographique, géographique).