Lorsqu'elles cherchent à publier des fichiers contenant des données confidentielles, les agences statistiques peuvent générer des données entièrement synthétiques. Nous proposons une approche permettant de créer de telles données à partir d'enquêtes réalisées selon des plans d'échantillonnage complexes. Plus précisément, nous générons des pseudo-populations en appliquant la méthode bayésienne du bootstrap pondéré sur une population finie afin de tenir compte des pondérations de l'enquête; nous prélevons des échantillons aléatoires simples à partir de ces pseudo-populations, puis nous estimons des modèles de synthèse à l'aide de ces échantillons, et publions les données simulées issues des modèles sous forme de fichiers à usage public. Pour faciliter l'estimation de la variance, nous utilisons le cadre de l'imputation multiple avec deux stratégies de génération de données. Nous présentons des règles de combinaison d'imputation multiple pour chaque configuration. Nous illustrons les propriétés d'échantillonnage répété de ces règles de combinaison à l'aide d'études de simulation. Nous appliquons les méthodes proposées à un sous-ensemble de données issues de l'American Community Survey.