En estadística , los estimadores de tamiz son una clase de estimadores no paramétricos que utilizan modelos progresivamente más complejos para estimar una función desconocida de alta dimensión a medida que hay más datos disponibles, con el objetivo de reducir asintóticamente el error hacia cero a medida que aumenta la cantidad de datos. Este método se atribuye generalmente a Ulf Grenander .
Los estimadores de tamiz se han utilizado ampliamente para estimar funciones de densidad en espacios de alta dimensión, como en la tomografía por emisión de positrones (PET). La primera explotación de Sieves en PET para resolver el problema de reconstrucción de imágenes de máxima verosimilitud fue por Donald Snyder y Michael Miller, [1] donde estabilizaron el problema de PET de tiempo de vuelo resuelto originalmente por Shepp y Vardi. [2] La introducción de Shepp y Vardi de los estimadores de máxima verosimilitud en la tomografía de emisión explotó el uso del algoritmo de expectativa-maximización, que a medida que ascendía hacia el estimador de máxima verosimilitud desarrolló una serie de artefactos asociados al hecho de que la densidad de emisión subyacente era de una dimensión demasiado alta para cualquier tamaño de muestra fijo de recuentos medidos por Poisson. Se utilizó el método de tamices de Grenander para estabilizar el estimador, de modo que para cualquier tamaño de muestra fijo se pudiera establecer una resolución que fuera consistente para el número de conteos. A medida que el tiempo de observación de las imágenes PET llegaría al infinito, la dimensión del tamiz también aumentaría de tal manera que la densidad fuera apropiada para cada tamaño de muestra.