Dans les analyses d'échantillons de petite taille ou avec données manquantes, les résultats de la régression logistique obtenus par la méthode du maximum de vraisemblance (MV) ne sont généralement pas fiables. Dans de telles analyses, bien que le critère de convergence puisse être atteint, au moins un paramètre peut diverger vers plus ou moins l'infini. Cette situation a été appelée « séparation ». Nous donnos des exemples de deux études où ce phénomène s'est produit. Le premier exemple porte sur l'association entre le rejet précoce d'une greffe de poumon et l'expression des ARNm de l'endothéline-1 mesurée chez le donneur et le receveur de greffe. Dans le second exemple, la régression logistique conditionnelle a été utilisée pour analyser un essai randomisé en grappe sur des animaux. Nous montrons que l'approche par la vraisemblance pénalisée (VP) constitue une solution adéquate pour les deux exemples, et nous présentons une analyse comparative avec des approches alternatives. Des résultats de simulations suggèrent que la méthode de la VP conduit à des estimations quasi non biaisées, même lorsque la probabilité d'estimations infinies par la MV est non négligeable. Les taux de couverture des intervalles de confiance basés sur la VP sont proches du taux nominal, et les tests sont plus puissants que ceux des autres approches. Enfin, nous donnons un aperçu des logiciels qui peuvent être utilisés pour appliquer l'approche de la VP proposée.