Depuis le début des années 90, de nombreuses études épidémiologiques écologiques temporelles ont montré que les niveaux de pollution atmosphérique couramment observés en milieu urbain avaient un impact sur la santé. L 'étude ERPURS (Évaluation des Risques de la Pollution Urbaine pour la Santé) a permis de quantifier cet impact dans l'agglomération parisienne. Nous présentons ici, étape par étape, la méthode d'analyse utilisée, en nous appuyant sur un exemple: l'étude de la relation à court terme entre la mortalité totale (hors causes accidentelles) à Paris et en petite couronne, et le dioxyde de soufre (SO₂), entre 1987 et 1990, La tendance de la série de mortalité a été modélisée par un terme linéaire, les saisonnalités par une somme de fonctions trigonométriques, les effets jours de la semaine par 6 variables binaires, un pic de température par une variable binaire, les épidémies de grippe par des variables spécifiques, la température moyenne par un terme linéaire et un quadratique, l'humidité relative par une variable linéaire. L'effet du SO₂ décalé de 1 jour a été introduit dans le modèle par une variable linéaire. Le point le plus important dans la modélisation des relations à court terme entre les indicateurs de pollution et de santé est le contrôle des variations saisonnières et à long terme. Un contrôle inadéquat de ces facteurs peut entraîner des résultats discordants. L'association entre la mortalité journalière et les facteurs climatiques est généralement non linéaire. L'utilisation de méthodes de diagnostic, statistiques et graphiques, se révèle indispensable à chaque étape de la modélisation. Les méthodes d'analyses des séries temporelles constituent des outils importants pour étudier les relations à court terme entre les polluants atmosphériques et des indicateurs de santé. La méthode d'analyse mise en œuvre dans l'étude ERPURS ne constitue qu 'une des approches possibles mais, quelle que soit la méthode utilisée, il est primordial de connaître le processus sous-jacent au type de données étudiées et de modéliser les facteurs de confusion en recourant à des méthodes d'analyse appropriées à la structure temporelle de ces données.