不确定性下的判断依赖于启发式过程，用于预测不确定事件和评估概率值的三种启发式方法：代表性启发式、可用性启发式以及锚定和调整（本文应该没什么流量）(11)

评估主观概率分布时的锚定。在决策分析中，专家时常需要以概率分布的形式来表示他们对某个数值（例如某一天的道琼斯指数）的信念。这样的分布通常是根据专家选择的不同数值构建的，而这些数值与其主观概率分布的百分位相对应。例如，判断者可能会被要求挑选出一个数字X90。这样的话，他认为这个数字将会超过道琼斯指数的主观概率就是0.90。也就是说，他选择数字X90，所以愿意接受道琼斯指数不会超过这个数值的比率是9 ∶1。通过几个这样对应于不同百分位数的判断，我们可以构建出道琼斯平均指数的主观概率分布。
通过搜集多个不同数值的主观概率分布，还有可能测试出判断者的度量或校准是否合适。如果待估量值的真实值有II%分布在某位受试者规定的XII值之下，那么这个受试者就在一系列问题中进行了恰当的（或外部）校准。例如1%的量值，其真实值应该分布在X01之下，即X99之上。因此，98%的问题，真实值应该在X01到X99的置信区间内。
几位研究人员已从大量的判断中观察到许多量值的概率分布。这些分布表明了其与恰当的校准之间巨大且系统的偏差。在多数研究中，30%的问题，其待评估量的真实值或小于X01，或大于X99。也就是说，受试者设定的置信区间过小，与他们关于待估量的知识所能证明的相比，反映出了更大的确定性。经验不足与经验老到的受试者都存在这种偏差，而引入合适的积分规则虽能为外部校准提供刺激，但也不能彻底消除偏差。这种效应至少部分是因锚定引起的。
例如，为了选择X90作为道琼斯指数，人们会首先想到自己对道琼斯指数最佳的估测，然后将这个数值上调。如果这个调整和大多数其他调整一样是不充足的，那么X90就不会是极端的。同样的锚定效应在选择X10时也会发生，这时，人们就会将最佳估测向下调整。所以，X10到X90之间的置信区间将会太小，而待估量的概率分布就会更紧密。一种程序能够系统地改变主观概率分布，使最佳估测值不作为初始值，这也支持了这种解释。
某个给定的量（比如道琼斯指数）的主观概率分布可以通过两种不同的方法得以实现：（1）要求受试者选择与自己的概率分布的特定百分位数相符合的道琼斯指数；（2）要求受试者估测出的真实值超过特定数值的概率。这两种方法在形式上是等同的，因此应该产生相同的分布。然而，这两种方法体现出的是不同锚定下不同的判断模式。在方法（1）中，自然的起始点是人们对变量的最佳估测。此外，在方法（2）中，受试者可能将锚定点定在了问题中给定的数值上。或者，他可能将锚定定位在相等的概率上，即50–50的概率，因为这是估测可能性通常的起始点。无论哪种情况，方法（2）得到的概率应该不会像方法（1）那样极端。