La estimación del efecto causal de un tratamiento binario sobre los resultados a menudo requiere condicionar sobre covariables para abordar la selección en relación con las variables observadas. Esto no es sencillo cuando una o más de las covariables se miden con error. Aquí, presentamos un nuevo estimador semiparamétrico que aborda este problema. En particular, nos enfocamos en estimadores de ponderación por puntaje de propensión inversa cuando el puntaje de propensión tiene una forma funcional desconocida y algunas covariables están sujetas a error de medición clásico. Nuestra solución propuesta implica estimadores de núcleo de deconvolución del puntaje de propensión y de la función de regresión ponderada por un estimador de densidad de núcleo de deconvolución. Simulaciones y la replicación de un estudio que examina el impacto de dos intervenciones de alfabetización financiera en las prácticas empresariales de los emprendedores muestran que nuestro estimador es valioso para los investigadores empíricos.