El ajuste de regresión se utiliza a menudo para estimar el efecto promedio del tratamiento (ATE) en experimentos aleatorizados. Recientemente, se han propuesto algunos métodos de ajuste de regresión basados en penalizaciones para manejar el problema de alta dimensionalidad. Sin embargo, estos métodos de ajuste de regresión de alta dimensionalidad existentes pueden no lograr un rendimiento satisfactorio cuando las covariables están altamente correlacionadas. En este documento, proponemos un nuevo método de estimación de ajuste para ATE combinando la covarianza parcial semi-estándar (SPAC) y métodos de ajuste de regresión. Bajo algunas condiciones de regularidad, se muestra la normalidad asintótica de nuestro estimador de ATE de ajuste SPAC propuesto. Se llevan a cabo algunos estudios de simulación y un análisis de datos de cáncer de mama HER2 para ilustrar la ventaja de nuestro método de ajuste SPAC propuesto para abordar el problema altamente correlacionado del modelo causal de Rubin.