Inferir causalidad a partir de datos observados es crucial en muchos campos científicos, pero este proceso a menudo se ve obstaculizado por datos incompletos. Los datos incompletos pueden llevar a errores en la comprensión de cómo las variables se afectan mutuamente, especialmente cuando algunos factores influyentes no se observan directamente. Para abordar este problema, hemos desarrollado un nuevo algoritmo llamado Pérdida de Regresión-aumentada con Intensidad Causal (RLCI). Este enfoque utiliza regresión y análisis de entropía para descubrir variables ocultas. A través de pruebas en varios conjuntos de datos del mundo real, se ha demostrado que RLCI es efectivo. Puede ayudar a detectar factores ocultos que pueden afectar la relación entre variables y determinar la dirección de las relaciones causales.