Bayesian Hierarchical Invariant Prediction (BHIP)은 계층적 베이즈의 관점에서 Invariant Causal Prediction (ICP)을 재구성하는 방법을 제안합니다. 계층적 구조를 활용하여 이질적인 데이터에서 인과 메커니즘의 불변성을 명시적으로 검정함으로써, ICP에 비해 더 많은 예측 변수에 대해 계산 확장성을 향상시킵니다. 또한, 베이지안 특성 덕분에 BHIP은 사전 정보를 사용할 수 있습니다. 본 논문에서는 horseshoe와 spike-and-slab이라는 두 가지 sparsity inducing priors를 검정하여, 인과적 특징을 더욱 신뢰할 수 있게 식별할 수 있도록 합니다. 합성 데이터와 실제 데이터에서 BHIP를 검정하여 ICP에 대한 대안적 추론 방법으로서의 잠재력을 보여줍니다.
