Ačkoli je užitečné vážit hypotézy a větvit z nich potenciální výsledky, spoléhání se na analýzu scénářů bez uvedení některých parametrů přesnosti měření (standardní chyby, intervaly spolehlivosti odhadů, metadata, standardizace a kódování, vážení pro non-response, chyby v hlášení, design vzorku, počty případů atd.) tradiční predikci špatně sekunduje. Zejména u „složitých“ problémů spolu faktory a předpoklady nekorelují zámkovým způsobem. Jakmile je specifická citlivost nedefinovaná, může zpochybnit celou studii.

Je chybnou logikou myslet si při arbitrárním posuzování výsledků, že lepší hypotéza učiní empirii zbytečnou. V tomto ohledu se analýza scénářů snaží odložit statistické zákony (např. Čebišův zákon nerovnosti), protože rozhodovací pravidla se vyskytují mimo omezené prostředí. Není dovoleno, aby se výsledky „prostě staly“; spíše jsou nuceny vyhovět libovolným hypotézám ex post, a proto neexistuje žádný základ, na který by bylo možné postavit očekávané hodnoty. Ve skutečnosti neexistují žádné očekávané hodnoty ex ante, pouze hypotézy, a člověk se musí zamyslet nad rolí modelování a rozhodování o datech. Stručně řečeno, porovnávání „scénářů“ s výsledky je zkreslené tím, že se neodchyluje od údajů; to může být pohodlné, ale je to neobhajitelné.

„Analýza scénářů“ nenahradí úplné a věcné odhalení chyb průzkumu v ekonomických studiích. V tradiční predikci může analytik vzhledem k údajům použitým k modelování problému s odůvodněnou specifikací a technikou uvést v rámci určitého procenta statistické chyby pravděpodobnost, že se koeficient bude nacházet v určité číselné hranici. Tato exaktnost nemusí jít na úkor velmi rozčleněných výroků hypotéz. Pro kauzální inferenci a pro vyhodnocování kontrafaktuálů byl vyvinut software R, konkrétně modul „WhatIf“ (v kontextu viz také Matchit a Zelig). Tyto programy mají poměrně sofistikovaná zpracování pro určování závislosti modelů, aby bylo možné s přesností uvést, jak citlivé jsou výsledky na modely, které nejsou založeny na empirických důkazech.

Dalším problémem tvorby scénářů je, že „prediktory jsou součástí sociálního kontextu, o němž se snaží předpovědět, a mohou tento kontext v průběhu procesu ovlivňovat“. V důsledku toho se společenské předpovědi mohou stát sebedestruktivními. Například scénář, v němž se na základě stávajících trendů velké procento populace nakazí virem HIV, může způsobit, že se více lidí vyhne rizikovému chování, a tím se sníží míra nakažení virem HIV, čímž se prognóza (která by mohla zůstat správná, kdyby nebyla veřejně známá) znehodnotí. Nebo předpověď, že kybernetická bezpečnost se stane velkým problémem, může způsobit, že organizace zavedou více bezpečnostních kybernetických opatření, a tím tento problém omezí.