只需将“实验”作为效果添加到您的模型中，这应该可以解释实验之间的变化，并让您在实验中获得增加 N 的能力，以检测浓度和时间的影响。

在 R 中，如果使用 ANOVA 并将时间视为一个因素（例如，不是数字），则执行以下操作：

library(ez)

ezANOVA(
    data = my_data
    , dv = .(my_dv)
    , wid = .(individual)
    , within = .(time)
    , between = .(concentration,experiment)
)

然而，这：

1. 将实验视为固定效应，而将其视为随机效应可能更合理（感谢Henrik！）
2. 将时间视为不连续的
3. 假设跨时间水平的球形

解决所有三个问题的方法是采用混合效应模型。如果您认为时间的影响是线性的，则将时间保留为数值变量并执行以下操作：

library(lme4)

lmer(
    data = my_data
    , formula = my_dv ~ time*concentration+(1|individual)+(1|experiment)
)

如果您认为时间不是线性的，您可以将其转换为一个因子并重复上述操作，或者使用广义加法混合建模：

library(gamm4)
fit <- gamm4(
    data = my_data
    , formula = my_dv ~ time+concentration+s(time,by=concentration,bs='tp')
    , random = ~ (1|individual) + (1|experiment)
)
print(fit$gam)

假设实验只改变时间函数，但让注意力改变时间函数的形状。我很难弄清楚如何可视化单个 gamm4 拟合的结果，所以我通常在固定效应空间中获得拟合模型的预测，然后引导（在你的情况下，在每个实验中对个体进行替换）置信区间围绕这些预测。

此外，以上所有内容都假设残差是高斯的；如果您正在处理任何不同的事情（例如二项式数据），那么您需要更改 lmer 和 gamm4 的“家庭”参数（ezANOVA 除了高斯之外什么都做不了）。

我认为您可以一起分析这两个实验的一种方法是定义一个多级/分层模型。个体嵌套在每个实验中。

这种方法的标准是格尔曼的书（我认为）。
2008 年，Journal of Memory and Language 有一个关于分析数据的特刊，其中涵盖了层次模型，甚至包括R.
其他人在这里可能也可以提供很好的网络资源。