La validez interna de una inferencia causal hecha en base a un estudio observacional a menudo está sujeta a debate. El marco de resultados potenciales de inferencia causal estipula que la inferencia causal es esencialmente un problema de datos faltantes, y seguimos este espíritu para definir la muestra ideal como la combinación de los datos observados y los datos faltantes/contrarios a los hechos para modelos de regresión. La robustez de una inferencia causal puede ser cuantificada por la probabilidad de una inferencia robusta para la validez interna en la regresión, es decir, el PIVR, que es la probabilidad de rechazar de nuevo la hipótesis nula para la muestra ideal siempre que la misma hipótesis nula ya haya sido rechazada para la muestra observada. Basándonos en la relación entre el PIVR y los resultados contrarios a los hechos medios, formalizamos un marco conceptual para cuantificar la robustez de una inferencia causal basada en la regresión en función de una distribución conjunta sobre los resultados contrarios a los hechos medios, manteniendo fija la muestra observada. Interpretativamente, el PIVR es el poder estadístico de la prueba de significancia de la hipótesis nula que se piensa que está construida en la muestra ideal. Demostramos el marco conceptual para cuantificar la robustez de una inferencia causal basada en la regresión con un ejemplo empírico.