在无混淆的治疗效果模型中，治疗分配不仅独立于协变量下的潜在结果，而且独立于倾向评分。尽管有这种强大的降维特性，但已知对倾向评分进行调整会导致平均治疗效果的估计量比基于所有协变量进行调整的估计量具有更低的渐近效率。此外，了解倾向得分并不会改变估计平均治疗效果的效率界限，当使用倾向得分的估计值而不是其真实值时，许多经验策略更有效。在这里，我们通过展示倾向得分知识的价值来解决这个“倾向得分悖论”。我们证明，通过适当地利用这些知识，有可能构建一个有效的治疗效果估计量，不受“维数诅咒”的影响，从而产生理想的二阶渐近性质和有限样本性能。该方法结合了倾向分数的知识与协变量的非参数调整，建立在双稳健估计文献的思想基础上。它易于实现，并且在模拟中表现良好。我们还表明，基于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现细节具有非常鲁棒的覆盖特性。