Lors de l’analyse de données tirées d’essais cliniques randomisés, l’ajustement des covariables peut servir à tenir compte d’un déséquilibre dans les covariables de base et à hausser la précision de l’estimation d’effet de traitement. Une barrière pratique pour implanter l’ajustement de covariable signifie qu’il y a des données manquantes. Nous étudions les conséquences du mécanisme de données manquantes sur l’estimation de l’effet de traitement moyen dans les essais cliniques randomisés. Nous proposons une approche de pondération qui combine la pondération de probabilité inversée pour ajuster les résultats manquants et la pondération de chevauchement pour l’ajustement de covariables. Nous menons des études en simulations pour évaluer la performance d’échantillons finis des méthodes proposées. Nous découvrons que les méthodes d’ajustement proposées améliorent généralement la précision des estimations d’effet de traitement, indépendamment des méthodes d’imputation, lorsque les covariables ajustées sont associées au résultat.