La sélection de l'ordre d'un modèle est souvent effectuée à l'aide des critères d'information fondés sur une pénalisation de la log-vraisemblance relative aux observations. Les critères usuels sont les critères AIC, BIC, $\phi$; et $\phi_\beta$. Pour traiter le problème de données incomplètes, une reformulation des critères avec l'algorithme EM a été nécessaire, et les critères AIC_cd, BIC_cd et $\phi_{\alpha cd}$ correspondants ont ainsi été établis. Mais en pratique, l'estimation de l'ordre par ces critères peut ne pas se révéler satisfaisante. De plus, les pénalisations de ces différents critères ne dépendent que de la taille de l'échantillon et de la fonction qui décrit les itérations de l'algorithme EM. Nous proposons une amélioration de ces critères dans le cas des modèles ARMA, par l'introduction d'une pénalisation calculée à partir des données avec la technique de rééchantillonnage. Nous obtenons alors de nouveaux critères, dont les performances sont étudiées sur des échantillons simulés et comparées aux critères AIC_cd, BIC_cd et $\phi_{\alpha cd}$.