Cet article propose des méthodes d’inférence asymptotiquement indépendantes de la distribution pour comparer des estimateurs qui admettent des représentations fonctionnelles gaussiennes asymptotiquement linéaires sur des échantillons dépendants. Ce cadre s’applique à un large éventail d’indices de bien-être utilisés dans l’analyse des inégalités, de la pauvreté et des risques. Deux situations distinctes sont examinées. Premièrement, nous proposons des méthodes d’intersection asymptotiques et par bootstrap qui sont valables en présence d’une dépendance arbitraire entre deux échantillons. Ensuite, nous nous concentrons sur le cas courant des échantillons qui se chevauchent — une forme particulière d’échantillons dépendants où la dépendance résulte uniquement de paires appariées — et proposons des méthodes asymptotiques et de bootstrap pour comparer les indices. Nous dérivons des estimations cohérentes des variances asymptotiques à l’aide de l’approche par la fonction d’influence. Nous étudions les performances en échantillon fini des méthodes proposées à l’aide de simulations de Monte Carlo et constatons que les intervalles de confiance basés sur des échantillons chevauchants présentent des taux de couverture satisfaisants et une précision raisonnable. En revanche, les méthodes conventionnelles reposant sur l’hypothèse d’échantillons indépendants affichent de mauvaises performances en termes de taux de couverture et de largeurs d’intervalle. L’inférence asymptotique peut s’avérer moins fiable lorsqu’il s’agit de distributions à queues épaisses, tandis que la méthode du bootstrap offre une solution viable, à moins que la variance ne soit importante ou n’existe pas. La méthode d'intersection fournit des résultats fiables pour des échantillons dépendants arbitraires, y compris dans les cas où les hypothèses relatives au chevauchement des échantillons ne sont pas vérifiées. Nous démontrons l'applicabilité pratique des méthodes que nous proposons en analysant l'évolution des inégalités financières entre les ménages en Italie au fil du temps.