Si le entiendo correctamente, está utilizando FA para extraer dos subescalas de su cuestionario de 11 ítems. Se supone que reflejan algunas dimensiones específicas de la autoeficacia (por ejemplo, la eficacia autorreguladora frente a la autoafirmación).

Entonces, puede usar la palabra individual mean (o suma) puntuaciones calculadas en las dos subescalas como predictores en un modelo de regresión. En otras palabras, en lugar de considerar las puntuaciones de 11 elementos, ahora está trabajando con 2 subpuntuaciones, calculadas como se describe anteriormente para cada individuo. La única suposición que se hace es que esos puntajes reflejan la ubicación de uno en una "construcción hipotética" o variable latente, definida como una escala continua.

Como dijo @JMS, hay otras cuestiones que podría aclarar aún más , especialmente qué tipo de AF se hizo. Un problema sutil es que el error de medición no se contabilizará mediante un enfoque de regresión estándar. Una alternativa es usar modelos de ecuaciones estructurales o cualquier modelo de variables latentes (por ejemplo, los que provienen de la literatura IRT), pero aquí el enfoque de regresión debería proporcionar una buena aproximación. El análisis de variables ordinales (ítem tipo Likert) se ha discutido en otra parte de este sitio.

Sin embargo, en la práctica actual, su enfoque es el que se encuentra comúnmente al validar un cuestionario o al construir reglas de puntuación: utilizamos una combinación ponderada o no ponderada de puntuaciones de elementos (por lo tanto, se tratan como variables numéricas) para informar ubicación individual en los rasgos latentes en consideración.

Uso de puntuaciones de factores como predictores

Sí, puede utilizar variables derivadas de un análisis de factores como predictores en análisis posteriores.

Otras opciones incluyen ejecutar algún tipo de modelo de ecuación estructural en el que postula una variable latente con los elementos o conjuntos de elementos como variables observadas.

Media como puntuación de escala

Sí, en su caso, la media sería una opción típica para calcular un puntaje de escala. Si tiene elementos invertidos, debe lidiar con esto.

También puede usar puntajes guardados por factores en su lugar de tomar la media. Aunque cuando todos los elementos se cargan razonablemente bien en cada factor y todos los elementos están en la misma escala y todos los elementos están redactados de manera positiva, rara vez hay mucha diferencia entre la media y la puntuación guardada del factor.

También puede mirar métodos que reconocen la naturaleza ordinal de la escala y, por lo tanto, no tratan las opciones de escala como igualmente distantes.

Todo lo han dicho chl y Jeromy para la parte teórica ... Si no tiene el uso de la suma / media de las variables que identifica con FA, puede usar puntuaciones de FA.

Con respecto a la la sintaxis que usa probablemente esté usando SAS. Entonces, para hacer un uso correcto del análisis factorial debes utilizar la puntuación de las observaciones y no la media de las variables.

A continuación, encontrarás el código para obtener la puntuación de 2 factores con un FA. Las puntuaciones que tendrá que usar serán llamadas Factor1, Factor2, ... por SAS.

Este es un 2 pasos ... 1) Primero FA y luego 2) llame al proc score para calcular los puntajes.

  proc factor data = Data method = ml rotate = promax outstat = FAstats n = 3 puntaje msa de residuos de heywood; var x:; ejecutar; proc score data = Data score = FAstats out = MyScores; var x:; ejecutar; 

Las variables a utilizar son Factor1, Factor2, ... en los conjuntos de datos de MyScores.

Las variables latentes continuas con variables manifiestas discretas (politómicas en su caso) son parte del análisis de respuesta al ítem. El paquete 'ltm' en R cubre una variedad de estos modelos. Le remito a este documento, que trata exactamente el mismo problema.