在因果推断中,与随机对照试验相比,从观察数据中估计因果效应已成为一个不断引人关注的研究方向,各种针对观测数据的因果效应估计方法应运而生,其中倾向得分方法被广泛应用。传统上,将所有的协变量用来估计倾向得分,但是这样做会对倾向得分估计的偏差和统计效率造成影响。尤其是,纳入影响治疗但不影响结果的变量会增大标准误差但不降低偏差,而加入影响结果但不影响治疗的变量可以提高精度。本文讨论在高维协变量情况下平均治疗效应的估计问题,尝试通过变量选择方法,即结果-自适应Lasso,来识别重要的协变量以得到倾向得分的估计。该方法不同于用传统的Logistic模型估计倾向得分,这里使用二值分位数回归模型,最终以逆概率加权方法来估计平均因果效应。给出的理论和模拟结果表明基于二值分位数回归模型的变量选择方法确实相较基于Logistic模型的方法在平均治疗效应（ATE,Average treatment effect）的估计偏差和标准误差上有所改善,同时仍具有类似基于Logistic模型的结果-自适应Lasso方法的Oracle性质。