model {
for (i in 1:23) {
y[i] ~ dnorm(mu[i], tau)
D2[i] <- equals(DIST[i], 2)
D3[i] <- equals(DIST[i], 3)
mu[i] <- beta0 + beta[1]*MAN[i]
+ beta[2]*D2[i] + beta[3]*D3[i]
}
beta0 ~ dnorm(0, 0.0001)
for (j in 1:3) {
beta[j] ~ dnorm(0, 0.0001)
}
tau <- 1/pow(sigma, 2)
sigma ~ dunif(0, 100)

dummy <- AUTO[1]
}

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

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]   -0.2378   0.1188   0.001181   -0.4759   -0.2374   -0.006211   5001   10000
   beta[2]   0.558   3.027   0.03123   -5.493   0.5386   6.595   5001   10000
   beta[3]   -4.03   3.13   0.03011   -10.14   -4.014   2.239   5001   10000
   beta0   2.573   1.992   0.01811   -1.291   2.581   6.533   5001   10000
   sigma   5.837   1.037   0.01537   4.243   5.686   8.233   5001   10000