Vaikka hypoteesien painottamisesta ja niistä saatavien mahdollisten lopputulosten haaroittamisesta on hyötyä, skenaarioanalyysiin luottaminen ilman joidenkin mittaustarkkuuden parametrien raportointia (keskivirheet, estimaattien luottamusvälit, metatiedot, standardointi ja koodaus, vastaamattomuuden painottaminen, raportointivirheet, otannan suunnittelu, tapausten lukumäärät jne.) on huono kakkonen perinteiselle ennusteelle. Etenkin ”monimutkaisissa” ongelmissa tekijät ja oletukset eivät korreloi keskenään lukkoonlyötyinä. Kun tietty herkkyys jää määrittelemättä, se voi asettaa koko tutkimuksen kyseenalaiseksi.
On virheellistä logiikkaa ajatella tuloksia sovitellessa, että parempi hypoteesi tekisi empirian tarpeettomaksi. Tässä suhteessa skenaarioanalyysi pyrkii lykkäämään tilastollisia lakeja (esim. Tšebyševin epätasa-arvolaki), koska päätöksentekosäännöt tapahtuvat rajoitetun ympäristön ulkopuolella. Tulosten ei sallita ”vain tapahtuvan”, vaan niiden on pikemminkin pakko olla mielivaltaisten hypoteesien mukaisia jälkikäteen, eikä odotettuja arvoja näin ollen voida asettaa millekään perustalle. Todellisuudessa ennakko-odotusarvoja ei ole olemassa, vaan ainoastaan hypoteeseja, ja jäämme miettimään mallintamisen ja tietojen päättämisen rooleja. Lyhyesti sanottuna ”skenaarioiden” ja tulosten vertailu on puolueellista, koska siinä ei tukeuduta tietoihin; tämä voi olla kätevää, mutta se on puolustuskelvotonta.
”Skenaarioanalyysi” ei korvaa tutkimusvirheiden täydellistä ja tosiasioihin perustuvaa paljastamista taloudellisissa tutkimuksissa. Perinteisessä ennustamisessa, kun otetaan huomioon ongelman mallintamiseen käytetyt tiedot, analyytikko voi perustellun määrittelyn ja tekniikan avulla ilmoittaa tietyn tilastovirheprosentin rajoissa todennäköisyyden sille, että kerroin on tietyn numeerisen rajan sisällä. Tämän tarkkuuden ei tarvitse tapahtua hypoteeseja koskevien hyvin yksityiskohtaisten lausumien kustannuksella. R-ohjelmisto, erityisesti moduuli ”WhatIf” (ks. myös Matchit ja Zelig), on kehitetty kausaalista päättelyä ja kontrafaktuaalien arviointia varten. Näissä ohjelmissa on melko kehittyneitä käsittelyjä malliriippuvuuden määrittämiseksi, jotta voidaan tarkasti todeta, kuinka herkkiä tulokset ovat malleille, jotka eivät perustu empiiriseen todistusaineistoon.
Skenaarioiden laatimisen haasteena on myös se, että ”ennustajat ovat osa sitä sosiaalista kontekstia, josta he yrittävät tehdä ennusteen, ja saattavat vaikuttaa tähän kontekstiin prosessin aikana”. Tämän seurauksena yhteiskunnallisista ennusteista voi tulla itsetuhoisia. Esimerkiksi skenaario, jossa suuri osa väestöstä saa hiv-tartunnan nykyisten suuntausten perusteella, voi aiheuttaa sen, että useammat ihmiset välttävät riskikäyttäytymistä ja siten alentavat hiv-tartuntojen määrää, jolloin ennuste mitätöityy (joka olisi saattanut pitää paikkansa, jos se ei olisi ollut julkisesti tiedossa). Tai ennuste, jonka mukaan kyberturvallisuudesta tulee merkittävä ongelma, voi saada organisaatiot toteuttamaan enemmän kyberturvallisuustoimenpiteitä, mikä rajoittaa ongelmaa.