Interpretar parámetros de regresión multivariante

Tu modelo bayesiano exploró la dependencia del volumen típico del sendero respecto al estado de día laborable \(X\)_i y la temperatura \(Z\)_i: \(m\)_i \(= a + b X\)_i \(+ c Z\)_i. Un summary() de la simulación de tu modelo en RJAGS proporciona estimaciones de la media posterior de los parámetros \(a\), \(b\) y \(c\):

> summary(rail_sim_2)
        Mean      SD Naive SE Time-series SE
a     36.592 60.6238 0.606238        4.19442
b[1]   0.000  0.0000 0.000000        0.00000
b[2] -49.610 23.4930 0.234930        0.55520
c      5.417  0.8029 0.008029        0.05849
s    103.434  7.9418 0.079418        0.11032

Por ejemplo, la media posterior de \(c\) indica que tanto en fines de semana como en días laborables, el volumen típico del carril aumenta en ~5,4 usuarios por cada aumento de 1 grado en la temperatura. ¿Cuál de las siguientes interpretaciones de \(b\) (aquí representado por b[2]) es la más precisa?