在无混淆的治疗效果模型中，治疗分配不仅独立于潜在结果，而且也独立于倾向评分。尽管有这种强大的降维特性，但我们知道，调整倾向评分会导致平均治疗效果的估计，其渐近效率低于基于所有协变量调整的估计。此外，了解倾向评分并不会改变估计平均治疗效果的效率界限，而且当使用倾向评分的估计值而不是其真实值时，许多经验策略会更有效。在这里，我们通过展示倾向评分的知识价值来解决这个“倾向评分悖论”。我们表明，通过适当地利用这些知识，有可能构造一个不受“维数诅咒”影响的有效处理效果估计器，从而产生理想的二阶渐近性质和有限样本性能。该方法结合了倾向评分的知识与协变量的非参数调整，建立在文献双稳健估计的思想。它实现简单，在模拟中表现良好。我们还表明，基于我们的估计器和简单方差估计的置信区间对于非参数调整步骤的实施细节具有显著的鲁棒覆盖属性。