在使用ARIMA模型进行时间序列预测时，可以使用预测误差来评估模型的性能。预测误差可以通过计算实际观测值与模型预测值之间的差异来得到。以下是一个使用Python编写的ARIMA模型的预测误差的示例代码：

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA

# 读取时间序列数据
data = pd.read_csv('data.csv', parse_dates=['date'], index_col='date')

# 拆分数据集为训练集和测试集
train_data = data.loc['2000-01-01':'2018-12-31']
test_data = data.loc['2019-01-01':'2019-12-31']

# 构建ARIMA模型
model = ARIMA(train_data, order=(1, 1, 1))
model_fit = model.fit()

# 进行预测
predictions = model_fit.predict(start='2019-01-01', end='2019-12-31')

# 计算预测误差
errors = test_data - predictions

# 输出预测误差的统计信息
print(errors.describe())

在上面的代码中，首先导入所需的库，然后读取时间序列数据并拆分为训练集和测试集。接下来，使用ARIMA模型对训练集进行拟合，并使用拟合好的模型进行预测。然后，计算预测误差，即测试集的实际观测值减去模型预测值。最后，通过调用describe()方法输出预测误差的统计信息，包括均值、标准差、最小值、最大值等。

这个代码示例可以帮助你计算并获取ARIMA模型中的预测误差，进而评估模型的预测性能。