Симуляция RJAGS для многомерной регрессии

Рассмотрите следующую байесовскую модель объёма \(Y\)_i в зависимости от статуса рабочего дня \(X\)_i и температуры \(Z\)_i:

• правдоподобие: \(Y\)_i \(\sim N(m\)_i, \(s^2)\), где \(m\)_i \(= a + b X\)_i \(+ c Z\)_i.
• априорные распределения: \(a \sim N(0, 200^2)\), \(b \sim N(0, 200^2)\), \(c \sim N(0, 20^2)\), \(s \sim Unif(0, 200)\)

Предыдущий анализ взаимосвязи между volume, weekday и hightemp в наборе данных RailTrail дал вам определённое представление об этой зависимости. Теперь вы объедините его с информацией из априорных распределений, чтобы построить апостериорную модель этой взаимосвязи с помощью RJAGS. Набор данных RailTrail доступен в вашем рабочем пространстве.