Pour estimer un effet causal dans les études d'observation en épidémiologie, les méthodes de pondération par les probabilités inversées et les méthodes doublement robustes sont couramment utilisées. Il n'est toutefois pas facile de spécifier correctement le modèle de traitement et les estimateurs associés sont particulièrement sensibles à un choix de modèle incorrect. Le but principal de ce projet est de déterminer si le fait de prendre une moyenne sur plusieurs modèles pourrait améliorer la performance des estimateurs par pondération par les probabilités inversées, en comparaison à une estimation basée sur un seul modèle. Pour ce faire, nous utilisons les critères d'ajustement AIC et BIC pour associer un poids (probabilité) à chacun des modèles. Nous nous intéressons plus particulièrement à deux façons d'utiliser ces poids 1) soit la pondération externe qui considère une moyenne des estimations obtenues sous chacun des modèles de l'ensemble des modèles considérés, et 2) la pondération interne qui effectue une moyenne des scores de propension obtenus sous chacun des modèles pour ensuite obtenir l'estimation correspondante. Nous comparons les résultats obtenus sons chacun des modèles individuellement, puis sous les différentes façons proposées de considérer un ensemble de modèles. Nous regardons la performance des techniques lorsque le vrai modèle fait ou ne fait pas partie des modèles considérés. Nous obtenons que la pondération apporte un compromis intéressant pour pallier l'incertitude reliée à la sélection du modèle de traitement. Nous observons que l'estimateur basé sur la pondération interne semble avoir une variance plus petite que l'estimateur basé sur la pondération externe et que l'estimateur par pondération par les probabilités inversées employé sur les modèles individuellement, surtout lorsqu'ils sont appliqués sur des échantillons de petite taille. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : estimation causale, sélection de modèle, moyennage de modèles, étude d'observation, pondération par probabilités inversées.