Diese Arbeit analysiert den Einfluss von Higher-Order Inference (HOI) auf die Aufgabe der Coreferenzauflösung. HOI wurde von fast allen jüngsten Modellen zur Coreferenzauflösung übernommen, ohne dass jedoch ausreichend Untersuchungen zu seiner tatsächlichen Wirksamkeit im Kontext der Repräsentationslernung durchgeführt wurden. Um eine umfassende Analyse durchzuführen, implementieren wir ein end-to-end-Coreferenzsystem sowie vier HOI-Ansätze: attended antecedent, entity equalization, span clustering und cluster merging, wobei die letzten beiden von uns vorgestellte, originelle Methoden sind. Wir stellen fest, dass bei Verwendung eines hochleistungsfähigen Encoders wie SpanBERT der Einfluss von HOI negativ bis marginal ausfällt, was eine neue Perspektive auf die Rolle von HOI für diese Aufgabe eröffnet. Unser bestes Modell, das cluster merging verwendet, erreicht auf dem CoNLL 2012 Shared-Task-Datensatz in Englisch eine durchschnittliche F1-Score von 80,2.