Dans les données longitudinales, les sujets sont suivis dans le temps et peuvent être programmés pour un suivi à des moments prédéterminés, mais peuvent manquer leur rendez-vous ou revenir à des moments non spécifiés, ce qui entraîne une irrégularité dans le processus de visites. Pour résoudre ce problème, des équations d'estimation généralisées pondérées par l'inverse de l'intensité ont été développées, dans lesquelles les estimations d'un modèle d'intensité des visites sont utilisées comme poids dans un modèle GEE avec une structure de corrélation indépendante. Nous avons étudié les hypothèses nécessaires à la positivité du modèle d'intensité et à l'identifiabilité du modèle de la variable réponse. Nous avons utilisé des simulations pour comparer les erreurs types pondérées « naïves » basées sur le modèle GEE - qui ne tiennent pas compte de l'incertitude des paramètres estimés du modèle d'intensité - avec les erreurs-types asymptotiquement efficaces. Les erreurs types naïves et efficaces mènent toutes deux à une sous-couverture dans les petits échantillons et, comme les erreurs types naïves sont plus grandes, elles présentent une couverture plus élevée et peuvent donc être préférables, avec une perte d'efficacité relativement faible.