仮説に重み付けし、そこから潜在的な結果を分岐させることには有用性がありますが、測定精度のいくつかのパラメータ（標準誤差、推定値の信頼区間、メタデータ、標準化とコーディング、非回答に対する重み付け、報告の誤り、サンプル デザイン、ケース数など）を報告しないシナリオ分析への依存は、従来の予測に次ぐ劣悪なものです。 特に「複雑な」問題では、要因や仮定がロックステップ式に相関することはありません。 一旦特定の感度が未定義になると、研究全体が疑われる可能性がある。

結果を裁定する際に、より良い仮説があれば経験主義は不要になると考えるのは誤った論理である。 この点、シナリオ分析は、決定規則が制約された設定の外で起こるため、統計的法則（例えば、チェビシェフの不等式）を延期しようとするものである。 結果は「ただ起こる」ことが許されず、むしろ事後的に任意の仮説に適合することを強いられるため、期待値を置くための足場がない。 実際には、期待値など存在せず、仮説だけが存在し、モデリングとデータ決定の役割に疑問が残る。 つまり、「シナリオ」と「結果」の比較は、データに従わないことで偏りが生じている。これは便利かもしれないが、弁解の余地はない。 伝統的な予測では、問題をモデル化するために使用されるデータが与えられ、根拠ある仕様と手法により、アナリストは統計誤差の一定の割合内で、ある係数がある数値の境界内にある可能性を述べることができる。 この正確さは、非常に細分化された仮説の記述を犠牲にする必要はない。 Rソフトウェア、特にモジュール「WhatIf」（文脈ではMatchitとZeligも参照）は、因果関係の推論と反実仮想の評価のために開発された。 これらのプログラムは、経験的証拠に基づかないモデルに対して結果がどの程度敏感であるかを正確に述べるために、モデル依存性を決定するためのかなり洗練された処理を持っています

シナリオ構築のもう一つの課題は、「予測者は、予測をしようとしている社会の文脈の一部であり、プロセスにおいてその文脈に影響を及ぼすことがある」ということです。 結果として、社会的な予測は自滅的になりかねない。 例えば、既存の傾向に基づいて人口の多くがHIVに感染するというシナリオがあると、危険な行動を避ける人が増えてHIV感染率が低下し、予測が無効になることがある（公に知られなければ正しいままだったかもしれない）。 あるいは、サイバーセキュリティが大きな問題になるという予測は、組織がより安全なサイバーセキュリティ対策を実施する原因となり、その結果、問題が限定されるかもしれない

。