model {
for (i in 1:23) {
y[i] ~ dt(mu[i], tau, dof)
mu[i] <- beta0 + beta[1]*MAN[i]
}
beta0 ~ dnorm(0, 0.0001)
beta[1] ~ dnorm(0, 0.0001)
tau <- 1/pow(sigma, 2)
sigma ~ dunif(0, 100)
sd <- sigma*sqrt(dof/(dof-2))

dummy <- AUTO[1] + DIST[1]
}

Inits:
list(beta0 = 0, beta = c(0), sigma = 1)

Data:
list(dof = 4)

Data:
MAN[] AUTO[] y[] DIST[]
-15.76   1.09   3.19   1
0.98   0.62   -3.45   1
3.71   0.61   0.04   1
-5.37   -1.01   6.62   1
-10.23   -0.76   3.61   1
-8.32   1.91   2.67   1
-7.80   0.40   -2.45   1
6.77   -1.71   9.31   1
-8.81   -0.76   15.29   1
-9.56   -1.34   3.68   1
-2.06   -1.71   8.63   2
-0.76   -1.82   10.82   2
-6.30   -4.91   -0.50   2
39.40   -2.65   -11.00   2
-10.79   0.11   2.05   2
-8.16   0.52   11.80   2
-2.82   -2.54   -2.02   2
-16.19   -0.07   0.94   3
-11.00   -0.83   4.42   3
-14.60   0.98   -0.86   3
-17.96   -3.41   -0.92   3
0.76   2.97   2.61   3
-10.77   2.92   1.58   3
END

   node   mean   sd   MC error   2.5%   median   97.5%   start   sample
   beta[1]   -0.1244   0.1449   0.002557   -0.358   -0.1455   0.2097   5001   10000
   beta0   1.699   1.632   0.02879   -1.191   1.59   5.222   5001   10000
   sd   6.905   1.463   0.02551   4.619   6.726   10.2   5001   10000
   sigma   4.883   1.035   0.01803   3.266   4.756   7.214   5001   10000

[example-6_2_1-new-york-robust0][example-6_2_1-new-york-robust1]