现在把前面介绍的算法推广到辨识ARMA 过程的参数上，ARMA 过程或用Z差分方程描述，或用变换来描述，即

可将式中右边的传递函数用全极点传递函数来近似，其方法是用足够多的极点数来代替每个零点。把一个零点写成

就可看清这一点。在多数应用中，只要用级数的前面几项就足够了。因此，我们能够用纯AR 过程对ARMA 过程x（k）进行近似。方法是将式的右边写成

当N′=∞时，得到严格的等效，对有限的N 近似也是很好的。一般地，N′ ≥N+M。

为了确定近似的AR 模型参数{ri}与对应的ARMA 模型参数{αi}和{βi}之间的关系，得

交叉相乘，得

使z 的同幂项的系数相等，得出以下方程组

当j=M+1，M+1，…，N 时，βi=0。这些方程可写成矩阵形式，即(www.daowen.com)

和

上式代表一组M 个未知数的 个方程组。为了求解，必须选N′=N+M。于是，一旦辨识出参数r1，…，rN'，就能去求参数集合{αi}和{βi}。参数ri 用前面介绍的无论哪种方法都可辨识出来。辨识与{ri}有关的偏相关系数的好处是：N′阶模型不需要事先固定，可由计算方案求出。另一方面，利用卡尔曼型算法求参数{ri}时，N′阶模型必须是事先确定的。

无论用哪种方案，仍然会留下确定相对阶数N 和M 的问题。令和表示假设的N 和M 值。用表示方阵，和的值检验 的秩，使，直到某个和满足

或变化为

实际上，由于舍入和截断误差，行列式很少为零。因此，可用准则

如果N 和M 的估计偏低，就有可能（实质上在信号描述中）略去一些变化。另一方面，如果对N 和M 估计过大，在模型中会引入可以忽略不计的系数，这相当于加上了小幅度的高频项，在大多数应用时并不会产生计算问题。