Les contextes de haute dimension posent des défis importants pour l'inférence causale. Nous étudions un estimateur pénalisé doublement robuste et à biais réduit (P-BRDR) pour l'effet moyen du traitement (ATE), qui combine une estimation doublement robuste avec une régression pénalisée pour réduire le biais lié à l'estimation des paramètres de nuisance. Deux études de simulation sont menées. La première évalue les performances en cas de spécification erronée du modèle. La seconde examine la sélection des variables dans des conditions de parcimonie exacte et approximative, en faisant varier la force des prédicteurs. Nous comparons P-BRDR au Lasso standard, au Lasso post-sélection et au Lasso double sélection. Les résultats montrent que P-BRDR permet d'obtenir un faible biais, de petites erreurs types et une couverture proche de la valeur nominale lorsque le score de propension ou le modèle de réponse est correct. Il sélectionne également les variables de manière plus conservatrice, ce qui permet d'obtenir des inférences stables et robustes dans des contextes de haute dimension.