La Prédiction Invariante Hiérarchique Bayésienne (BHIP) propose une méthode permettant de reformuler la Prédiction Causale Invariante (ICP) du point de vue de la théorie bayésienne hiérarchique. Elle améliore l'évolutivité des calculs pour un plus grand nombre de prédicteurs que l'ICP en testant explicitement l'invariance des mécanismes causaux dans des données hétérogènes grâce à la structure hiérarchique. De plus, la BHIP peut utiliser des informations a priori grâce à sa propriété bayésienne. Dans cet article, nous testons deux a priori induisant la parcimonie, le fer à cheval et le pic-et-dalle, afin d'identifier les caractéristiques causales de manière plus fiable. Nous démontrons son potentiel comme méthode d'inférence alternative à l'ICP en testant la BHIP sur des données synthétiques et réelles.
