[fre] Dans la pratique, la plupart des statistiques de test ont une distribution de probabilité de forme inconnue. Généralement, on utilise leur loi asymptotique comme approximation de la vraie loi. Mais, si l'échantillon dont on dispose n'est pas de taille suffisante, cette approximation peut être de mauvaise qualité et les tests basés dessus largement biaises. Les méthodes du bootstrap permettent d'obtenir une approximation de la vraie loi de la statistique, en général plus précise que la loi asymptotique. Elles peuvent également servir à approximer la loi d'une statistique qu'on ne peut pas calculer analytiquement. Dans cet article, nous présentons une méthodologie générale du bootstrap dans le contexte des modèles de régression. [eng] Bootstrap Methods in Regression Models by Emmanuel Flachaire . In practice, we rarely know the true probability distribution of a test statistic and we generally base tests on its asymptotic distribution. If the sample size is not large enough, the asymptotic distribution could be a poor approximation of the true distribution. Consequently, tests based on it could be largely biased. Bootstrap methods yield a more accurate approximation of the distribution of a test statistic than the approximation obtained from the first-order asymptotic theory. Moreover, they provide a way of substituting computation for mathematical analysis when it proves hard to calculate the asymptotic distribution of an estimator or statistic. In this paper, we present a general methodology of the bootstrap in regression models.