Dans de nombreuses applications biostatistiques, les modèles sont dérivés théoriquement à partir de paramètres significatifs sur le plan pratique. Dans certains cas, les données disponibles sont dans une forme qui, structurellement, ne permet pas d'estimer tous les paramètres d'intérêt. Cette nature non identifiable doit être prise en compte dans les évaluations éthiques de la recherche afin de garantir que les expériences ne produisent pas de données insuffisamment informatives. En outre, l'application d'outils statistiques à des données existantes soulève des considérations éthiques en cas de non-identifiabilité : l'élimination arbitraire de paramètres redondants peut conduire à des modèles erronés, et le masquage de la non-identifiabilité à l'aide d'approches bayésiennes peut dissimuler un manque d'informations et surreprésenter des croyances subjectives. Nous présentons des exemples basés sur la modélisation de tests cliniques insuffisamment contrôlés et sur la sensibilité et la spécificité des tests diagnostiques, dans lesquels des inférences erronées peuvent conduire à des décisions de santé publique mal informées.