Les jeux de données écologiques présentent fréquemment des dépendances de type spatial, consistant en ce que les observations géographiquement proches les unes des autres ont plus tendance à se ressembler que les observations plus distantes. Cet état de dépendance, appelé autocorrélation spatiale, s'il n'est pas correctement pris en compte dans la modélisation statistique, est connu pour produire des tests non fiables ainsi que des estimations imprécises des effets fixes. Bien que les chercheurs disposent de nombreuses méthodes permettant de modéliser l'autocorrélation spatiale, ils restent souvent perplexes face aux nombreux débats présents dans la littérature d'écologie statistique, où s'opposent les partisans des méthodes spatiales à ceux qui s'en méfient. Beale et al. (2010) apportent des éclaircissements dans le contexte de données continues réparties sur grille, mais les chercheurs ont besoin de conseils supplémentaires pour d'autres types de données dans des contextes spatiaux plus flexibles. Dans cette étude, nous étendons les travaux de Beale et al. (2010) au cas de données de comptage irrégulièrement réparties dans l'espace. Nous avons sélectionné quatre méthodes spatiales faciles à implémenter dans la famille des modèles linéaires généralisés mixtes et des modèles additifs généralisés mixtes, incorporant des effets aléatoires spatialement structurés qui permettent de modéliser les dépendances spatiales, soit à partir d'une notion de distance, soit par la spécification de relations de voisinages. À l'aide d'une approche par simulation, on évalue les performances relatives des méthodes testées en termes d'erreur de type I et de précision réelle des estimations. On s'intéresse, de plus, à leur robustesse face à des phénomènes de non-stationnarité spatiale et de sur-dispersion, qui sont des propriétés typiques des données de comptage spatialement autocorrélées en écologie. Parmi les méthodes fréquentistes et bayésiennes implémentées, les méthodes bayésiennes spatialement structurées estiment les effets fixes de la manière la plus précise avec des erreurs de type I correctes. La méthode spatiale basée sur une inférence MCMC avec mises à jours de Langevin-Hastings s'adapte le mieux à toutes les complexités simulées.