Míg a hipotézisek súlyozásának és a belőlük származó lehetséges eredmények elágazásának van haszna, a forgatókönyv-elemzésre való támaszkodás a mérési pontosság egyes paramétereinek (standard hibák, becslések konfidenciaintervallumai, metaadatok, szabványosítás és kódolás, a nem-válaszadás súlyozása, a jelentéskészítés hibája, mintatervezés, esetszámok stb.) jelentése nélkül a hagyományos előrejelzés mellett gyenge második. Különösen az “összetett” problémák esetében a tényezők és feltételezések nem korrelálnak zártan. Ha egyszer egy konkrét érzékenység meghatározatlan, az megkérdőjelezheti az egész vizsgálatot.

Hibás logika azt gondolni az eredmények eldöntésekor, hogy egy jobb hipotézis szükségtelenné teszi az empirizmust. Ebben a tekintetben a forgatókönyv-elemzés megpróbálja elhalasztani a statisztikai törvényeket (pl. Chebyshev egyenlőtlenségi törvénye), mivel a döntési szabályok egy korlátozott környezeten kívül történnek. A kimenetelek nem “csak úgy megtörténhetnek”, hanem kénytelenek utólagosan megfelelni az önkényes hipotéziseknek, és ezért nincs olyan alap, amelyre a várható értékeket helyezhetnénk. Valójában nincsenek előzetes várható értékek, csak hipotézisek, és az ember elgondolkodik a modellezés és az adatdöntés szerepén. Röviden, a “forgatókönyvek” és az eredmények összehasonlítása elfogult azáltal, hogy nem támaszkodik az adatokra; ez lehet, hogy kényelmes, de nem védhető.

A “forgatókönyv-elemzés” nem helyettesíti a felmérési hibák teljes és tényszerű feltárását a gazdasági tanulmányokban. A hagyományos előrejelzésben a probléma modellezéséhez használt adatok ismeretében, indokolt specifikációval és technikával az elemző egy bizonyos százalékos statisztikai hibán belül meg tudja állapítani, hogy egy együttható milyen valószínűséggel van egy bizonyos számszerű korláton belül. Ennek a pontosságnak nem kell a hipotézisek nagyon tagolt kijelentéseinek rovására mennie. Az R szoftvert, különösen a “WhatIf” modult (a kontextusban lásd még Matchit és Zelig) fejlesztették ki az oksági következtetésre, és a kontrafaktumok értékelésére. Ezek a programok meglehetősen kifinomult kezelésekkel rendelkeznek a modellfüggőség meghatározására, annak érdekében, hogy pontosan meg lehessen állapítani, hogy az eredmények mennyire érzékenyek a nem empirikus bizonyítékokon alapuló modellekre.”

A forgatókönyv-alkotás másik kihívása, hogy “a prediktorok részei annak a társadalmi kontextusnak, amelyről előrejelzést próbálnak készíteni, és a folyamat során befolyásolhatják ezt a kontextust”. Ennek következtében a társadalmi előrejelzések önpusztítóvá válhatnak. Például egy olyan forgatókönyv, amelyben a meglévő trendek alapján a lakosság nagy százaléka HIV-fertőzötté válik, több embert késztethet arra, hogy elkerülje a kockázatos viselkedést, és így csökkentse a HIV-fertőzöttségi arányt, érvénytelenítve az előrejelzést (amely helyes maradhatott volna, ha nem lett volna nyilvánosan ismert). Vagy egy olyan előrejelzés, amely szerint a kiberbiztonság jelentős problémává válik, arra késztetheti a szervezeteket, hogy több biztonsági kiberbiztonsági intézkedést hajtsanak végre, és így korlátozzák a problémát.