Les arbres d'induction sont largement utilisés en data mining tant dans un but exploratoire que comme outil de classification supervisée. Rares sont cependant les outils inférentiels disponibles pour valider statistiquement la description fournie par un arbre induit. Nous proposons ici une astuce qui permet d'appliquer aux arbres les outils inférentiels utilisés par exemple en modélisation log-linéaire de tables de contingence multidimensionnelles. Parmi ces outils, la déviance se prête en particulier à divers test sur la structure de l'arbre induit. De la statistique de vraisemblance, on déduit également les critères d'information AIC et BIC qui permettent d'arbitrer entre la complexité et la qualité d'ajustement d'arbres non emboîtés. Ces outils inférentiels pour arbres d'induction sont particulièrement appréciés par les chercheurs de sciences sociales qui s'intéressent en priorité à comprendre comment les facteurs explicatifs interagissent sur la variable réponse, et ne sont donc guère concernés par le taux d'erreur de classification habituellement utilisé pour juger de la qualité des arbres. La possibilité de tester des hypothèses sur la structure de l'arbre contribue à la connaissance du phénomène ètudié. Elle constitue une illustration de ce que le raisonnement statistique traditionnel peut apporter au data mining.