参考资料：R语言实战【第2版】

        所谓重复测量方差分析，即受试者被测量不止一次。本例使用数据集市co2数据集：因变量是二氧化碳吸收量（uptake），自变量是植物类型（Type）和七种水平的二氧化碳浓度（conc）。Type是组间因子，conc是组内因子。Type已经被存储为一个因子变量，还需要将conc转换为因子变量。分析过程如下：

# 将conc变量转化为因子变量
CO2$conc<-factor(CO2$conc)
# 选择“chilled”处理的数据子集作为分析用数据集
w1b1<-subset(CO2,Treatment=="chilled")
# 方差分析
fit<-aov(uptake~conc*Type+Error(Plant/(conc)),w1b1)
# 查看结果
summary(fit)
# 设置作图参数
par(las=2)
par(mar=c(10,4,4,2))
# 绘图
with(w1b1,
     interaction.plot(conc,
                      Type,
                      uptake,
                      type="b",
                      col=c("red","blue"),
                      pch=c(16,18),
                      main="Interaction Plot for Plant Type and Concentration"))
# 绘制箱线图
boxplot(uptake~Type*conc,
        data=w1b1,
        col=c("gold","green"),
        main="Chilled Quebec and Mississippi Plants",
        ylab="Carbon dioxide uptake rate")

        本例中方差分析的模型可参考：R语言统计分析——方差分析之ANOVA模型拟合-CSDN博客

本例结论为：在0.01水平下，主效应Type和conc以及交互效应Type×conc都非常显著。由上图可以看出，Quebec的植物比Mississippi的植物二氧化碳的吸收率高，而且随着二氧化碳浓度的升高，差异越来越明显。

        注：在处理重复测量设计时，需要用长格式（即因变量的每次测量都要放到它独有的行中）如下：