Les estimateurs pondérés utilisés en analyse des études cas-cohorte sont parfois peu efficaces. Or, l'enquête cas-cohorte peut aussi être vue comme un cas particulier de données incomplètes et des méthodes d'analyse pour données incomplètes peuvent être pertinentes, en particulier, l'imputation multiple. Cette approche est basée sur la génération de plusieurs jeux plausibles de données complètes, prenant en compte l'incertitude sur les données manquantes. Si le modèle d'imputation est correctement défini, l'estimateur de l'imputation multiple est non-biaisé. Nous avons montré qu'un modèle d'imputation correct peut être estimé à partir des données complètes (cas et témoins) en utilisant la variable indicatrice des cas comme variable explicative. Nous avons simulé des enquêtes cas-cohorte dont les sous-cohortes étaient sélectionnées par un tirage uniforme ou stratifié. L'imputation multiple et les estimateurs pondérés fournissaient des estimations non-biaisés. Les estimations de l'imputation multiple étaient légèrement plus précises que celles obtenues par l'analyse pondérée. Pour les variables de phase-1, l'augmentation relative des écart-type de l'analyse pondérée par rapport à l'imputation multiple variait de 8 à 39%. Pour les variables de phase-2, l'augmentation relative variait de 3 à 24%. Ainsi, l'imputation multiple, qui utilise toutes les données disponibles et fournit une approximation du maximum de l'estimateur de la vraisemblance partielle, est une bonne alternative à l'estimateur pondéré.