Résumé: L'estimateur de pondération inverse augmentée (AIW) est largement utilisé pour estimer la moyenne marginale d'un résultat en raison de sa propriété de double robustesse. Cependant, il peut présenter un biais important lorsque les modèles de score de propension (PS) et de régression des résultats (OR) sont mal spécifiés. Une explication possible réside dans la génération de valeurs extrêmes dues à une mauvaise spécification des modèles PS ou OR, lesquelles peuvent influencer considérablement l'estimation de la moyenne marginale. Dans cet article, les auteurs proposent une amélioration de l'estimateur AIW, appelé estimateur AIW calibré, qui permet de contrôler l'influence de ces valeurs extrêmes et d'obtenir une estimation stable de la moyenne marginale. De plus, cet estimateur conserve la propriété de double robustesse. Les auteurs étendent également cette méthode pour tenir compte de covariables de grande dimension dans les modèles PS et OR. Ils développent en outre des résultats asymptotiques. Des études de simulation approfondies démontrent que la méthode proposée surpasse la plupart des approches existantes en fournissant une estimation plus stable. Enfin, les auteurs présentent l'application de cette méthode à une étude d'essai clinique sur le SIDA. [ABSTRACT FROM AUTHOR]