La Predicción Invariante Jerárquica Bayesiana (BHIP) propone un método para reformular la Predicción Causal Invariante (ICP) desde la perspectiva de Bayes jerárquico. Mejora la escalabilidad computacional para más predictores que la ICP al probar explícitamente la invariancia de los mecanismos causales en datos heterogéneos aprovechando la estructura jerárquica. Además, la BHIP puede utilizar información a priori gracias a su propiedad bayesiana. En este artículo, probamos dos a priori que inducen escasez, la herradura y la de pico y losa, para identificar características causales con mayor fiabilidad. Demostramos su potencial como método de inferencia alternativo a la ICP probando la BHIP con datos sintéticos y reales.