Multivariate regressieparameters interpreteren

Je Bayesiaanse model onderzocht de afhankelijkheid van het typische trailvolume van doordeweekse status \(X\)_i en temperatuur \(Z\)_i: \(m\)_i \(= a + b X\)_i \(+ c Z\)_i. Een summary() van je RJAGS-modelsimulatie geeft posterior-gemiddelden voor de parameters \(a\), \(b\) en \(c\):

> 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

Bijvoorbeeld, het posterior-gemiddelde van \(c\) geeft aan dat, zowel in het weekend als doordeweeks, het typische railvolume met ~5,4 gebruikers toeneemt per 1 graad temperatuurstijging. Welke van de volgende interpretaties van \(b\) (hier weergegeven door b[2]) is het meest nauwkeurig?