Infolge der zunehmenden Verfügbarkeit hochdimensionaler empirischer An wendungen stoßen Forscher und Anwender aller Disziplinen immer häufiger auf Situationen, in denen sie mehrere Hypothesen gleichzeitig testen müssen. Um hierbei zuverlässige Ergebnisse zu erhalten, ist es wichtig, Probleme, die durch multiples Testen entstehen, sowie methodische Mängel des klassischen linearen Regressionsmodells zu beachten. Dieses Kapitel bietet einen selektiven Überblick über Methoden zur Durchführung valider simultaner Inferenz in hochdimensionalen Regressionsmodellen. Es werden moderne Inferenzansätze auf Basis regularisierter Schätzmethoden vorgestellt, welche mit klassischen Korrekturen für multiples Testen kombiniert werden können. Die vorgestellten Methoden werden anschließend im Rahmen einer Simulationsstudie miteinander verglichen. Schließlich wird in einem replizierbaren Codebeispiel demonstriert, wie das R-Paket hdm für valide simultane Inferenz verwendet werden kann. Im Anwendungsbeispiel wird der Gender-Wage-Gap analysiert.