Regional climate models (RCM) describe the mesoscale global atmospheric and oceanic dynamics and serve as dynamical downscaling models. In other words, RCMs use atmospheric and oceanic climate output from general circulation models (GCM) to develop a higher resolution climate output. They are computationally demanding and, depending on the application, require several orders of magnitude of compute time more than statistical climate downscaling. In this article, we describe how to use a spatio‐temporal statistical model with varying coefficients (VC), as a downscaling emulator for a RCM using VC. In order to estimate the proposed model, two options are compared: INLA, and varycoef. We set up a simulation to compare the performance of both methods for building a statistical downscaling emulator for RCM, and then show that the emulator works properly for NARCCAP data. The results show that the model is able to estimate non‐stationary marginal effects, which means that the downscaling output can vary over space. Furthermore, the model has flexibility to estimate the mean of any variable in space and time, and has good prediction results. INLA was the fastest method for all the cases, and the approximation with best accuracy to estimate the different parameters from the model and the posterior distribution of the response variable.

Los modelos espaciales que suavizan las tasas de mortalidad estandarizada o los riesgos relativos son utilizados ampliamente en el mapeo de enfermedades, con el objetivo de explorar y describir patrones espaciales de un evento de interés. Generalmente, la estimación de estos riesgos relativos es imprecisa cuando los eventos son raros. Cuando se quiere incluir la tendencia temporal, el problema es aún másgrave pues el conteo de las defunciones en el perı́odo dado se divide en varios años, lo que resulta en que los conteos sean aún más bajos. En este trabajo, se analizan los modelos Bayesianos espacio-temporales que toman en cuenta la información geográfica y temporal, además de algunas covariables como el porcentaje de viviendas urbanas, porcentaje de personas entre 24 y 49 años y la tasa de mortalidadinfantil de cada cantón en el año 2011. Se concluyó que estos modelos producen mejores estimaciones de riesgos relativos por cantón y año, además de que el modelo que asume una interacción espacio-temporal más simple ajusta mejor. Finalmente, se comparan los riesgos relativos estimados con el modelo seleccionado, contra la estimación obtenida vı́a máxima verosimlitud, y resulta que el método propuestoes más eficiente y preciso.