model {
for (m in 1:3) {
for (i in 1:n) {
y.copy[m, i] <- y[i]
x.copy[m, i] <- x[i]
y.copy[m, i] ~ dnorm(mu[m, i], tau[m])
mu[m, i] <- a[m] + b[m]*z[m, i]
}
a[m] ~ dnorm(0, 0.0001)
b[m] ~ dnorm(0, 0.0001)
tau[m] <- 1/pow(sigma[m], 2)
sigma[m] ~ dunif(0, 100)
}
for (i in 1:n) {
z[1, i] <- x.copy[1, i]
x.copy[2, i] ~ dnorm(z[2, i], 0.4444)
z[2, i] ~ dunif(-100, 100)
z[3, i] <- cut(z.star[i])
x.copy[3, i] ~ dnorm(z.star[i], 0.4444)
z.star[i] ~ dunif(-100, 100)
}
}

Inits:
list(a = c(0, 0, 0), b = c(0, 0, 0), sigma = c(1, 1, 1))

Data:
list(n = 10,
x = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10),
y = c(1, 2, 3, 6, 3, 8, 5, 8, 9, 10)
)

[example-9_4_1-cut0][example-9_4_1-cut1][example-9_4_1-cut2]
node      mean   sd   MC error   2.5%   median   97.5%   start   sample
   a[1]   0.2374   1.241   0.01048   -2.24   0.2262   2.726   10001   10000
   a[2]   0.3745   1.206   0.03485   -2.121   0.4184   2.654   10001   10000
   a[3]   1.148   2.532   0.02387   -2.931   1.208   4.737   10001   10000
   b[1]   0.9555   0.2   0.001745   0.5589   0.9566   1.349   10001   10000
   b[2]   0.9279   0.1865   0.005205   0.5713   0.9221   1.299   10001   10000
   b[3]   0.7906   0.3934   0.003913   0.2255   0.7776   1.435   10001   10000
   mu[1,1]   1.193   1.068   0.009095   -0.9557   1.184   3.319   10001   10000
   mu[1,2]   2.148   0.9045   0.007859   0.3234   2.145   3.954   10001   10000
   mu[1,3]   3.104   0.7593   0.00685   1.568   3.105   4.602   10001   10000
   mu[1,4]   4.059   0.6442   0.006177   2.75   4.064   5.339   10001   10000
   mu[1,5]   5.015   0.5775   0.005956   3.831   5.02   6.165   10001   10000
   mu[1,6]   5.97   0.5763   0.006236   4.81   5.977   7.118   10001   10000
   mu[1,7]   6.926   0.6409   0.006956   5.633   6.925   8.215   10001   10000
   mu[1,8]   7.881   0.7546   0.007998   6.366   7.875   9.407   10001   10000
   mu[1,9]   8.837   0.8989   0.009255   7.035   8.833   10.64   10001   10000
   mu[1,10]   9.792   1.061   0.01065   7.673   9.788   11.93   10001   10000
   mu[2,1]   1.186   0.9331   0.01355   -0.5542   1.074   3.369   10001   10000
   mu[2,2]   2.161   0.8787   0.01241   0.4338   2.072   4.173   10001   10000
   mu[2,3]   3.107   0.8295   0.009603   1.399   3.052   4.955   10001   10000
   mu[2,4]   5.454   0.9059   0.02316   3.205   5.672   6.846   10001   10000
   mu[2,5]   3.652   0.9592   0.02828   2.281   3.4   6.021   10001   10000
   mu[2,6]   7.367   0.9662   0.02708   5.009   7.631   8.786   10001   10000
   mu[2,7]   5.541   0.9072   0.0225   4.137   5.328   7.774   10001   10000
   mu[2,8]   7.898   0.841   0.009888   6.002   7.955   9.606   10001   10000
   mu[2,9]   8.859   0.866   0.01021   6.929   8.938   10.57   10001   10000
   mu[2,10]   9.806   0.9153   0.01324   7.638   9.924   11.54   10001   10000
   mu[3,1]   1.936   2.752   0.02437   -2.723   2.114   5.46   10001   10000
   mu[3,2]   2.721   2.19   0.02024   -1.605   2.902   6.002   10001   10000
   mu[3,3]   3.523   1.951   0.02001   -0.4597   3.665   6.611   10001   10000
   mu[3,4]   4.305   1.769   0.01504   0.8424   4.402   7.395   10001   10000
   mu[3,5]   5.111   1.716   0.01539   1.848   5.133   8.236   10001   10000
   mu[3,6]   5.885   1.707   0.01515   2.849   5.849   9.211   10001   10000
   mu[3,7]   6.679   1.714   0.01439   3.624   6.599   10.21   10001   10000
   mu[3,8]   7.483   1.963   0.01869   4.361   7.341   11.47   10001   10000
   mu[3,9]   8.278   2.092   0.01876   4.952   8.115   12.56   10001   10000
   mu[3,10]   9.049   2.323   0.02366   5.491   8.886   13.7   10001   10000
   sigma[1]   1.698   0.5509   0.0096   0.9975   1.585   3.069   10001   10000
   sigma[2]   0.943   0.7207   0.0323   0.06208   0.7882   2.72   10001   10000
   sigma[3]   2.533   2.147   0.0465   1.154   2.229   5.266   10001   10000
   tau[1]   0.4391   0.2339   0.003203   0.1063   0.3981   1.005   10001   10000
   tau[2]   32.69   350.8   9.981   0.1357   1.61   260.6   10001   10000
   tau[3]   0.2503   0.1998   0.002557   0.03625   0.2014   0.7516   10001   10000
   z[2,1]   0.7801   1.077   0.02566   -1.429   0.8151   2.803   10001   10000
   z[2,2]   1.85   1.034   0.02413   -0.2893   1.876   3.854   10001   10000
   z[2,3]   2.887   0.9741   0.02195   0.8444   2.902   4.81   10001   10000
   z[2,4]   5.432   1.07   0.03269   2.852   5.593   7.099   10001   10000
   z[2,5]   3.523   1.072   0.03073   1.702   3.401   5.978   10001   10000
   z[2,6]   7.535   1.086   0.03262   5.03   7.661   9.354   10001   10000
   z[2,7]   5.601   1.051   0.02907   3.887   5.468   8.107   10001   10000
   z[2,8]   8.153   0.9645   0.02123   6.218   8.14   10.16   10001   10000
   z[2,9]   9.211   0.9968   0.02264   7.252   9.197   11.25   10001   10000
   z[2,10]   10.25   1.048   0.02485   8.222   10.24   12.36   10001   10000
   z[3,1]   0.9933   1.509   0.01505   -1.968   1.002   3.971   10001   10000
   z[3,2]   2.002   1.505   0.01599   -0.9598   2.009   4.945   10001   10000
   z[3,3]   3.007   1.482   0.01547   0.05272   3.021   5.915   10001   10000
   z[3,4]   4.002   1.485   0.01381   1.094   3.997   6.904   10001   10000
   z[3,5]   5.018   1.498   0.01472   2.072   4.997   8.019   10001   10000
   z[3,6]   6.001   1.507   0.01373   3.007   6.014   8.924   10001   10000
   z[3,7]   7.001   1.505   0.01466   4.042   7.003   9.975   10001   10000
   z[3,8]   8.0   1.5   0.01457   5.091   7.993   10.94   10001   10000
   z[3,9]   9.02   1.527   0.01373   6.031   9.021   11.97   10001   10000
   z[3,10]   9.997   1.508   0.01582   7.087   9.988   12.9   10001   10000
   z.star[1]   0.9933   1.509   0.01505   -1.968   1.002   3.971   10001   10000
   z.star[2]   2.002   1.505   0.01599   -0.9598   2.009   4.945   10001   10000
   z.star[3]   3.007   1.482   0.01547   0.05272   3.021   5.915   10001   10000
   z.star[4]   4.002   1.485   0.01381   1.094   3.997   6.904   10001   10000
   z.star[5]   5.018   1.498   0.01472   2.072   4.997   8.019   10001   10000
   z.star[6]   6.001   1.507   0.01373   3.007   6.014   8.924   10001   10000
   z.star[7]   7.001   1.505   0.01466   4.042   7.003   9.975   10001   10000
   z.star[8]   8.0   1.5   0.01457   5.091   7.993   10.94   10001   10000
   z.star[9]   9.02   1.527   0.01373   6.031   9.021   11.97   10001   10000
   z.star[10]   9.997   1.508   0.01582   7.087   9.988   12.9   10001   10000