Microsoft Word 1060-frontespizio doc

taxpayer (randomly) taken from the 2011 tax record is a descendant of one 

taxpayer  (randomly) selected  from the 1427  Census  is strictly higher if the two 

share the same surname. Two facts challenge our working hypothesis. First, people 

sharing the same surname may well not belong to the same family. Second, the city 

of Florence is not a closed system. For instance, it may well happen that  an 

immigrant, having the same surname as those living in Florence in 1427, settled in 

Florence from outside  in the following centuries. Our methodology erroneously 

treats the latter as a pseudo-descendant of the former. 

We start by noting that our pseudo-links are more reliable with respect to 

those adopted in previous studies, as they are generated by surnames living in the 

city of Florence. For example, if the same data were available for all Italian cities, 

our strategy would entail the  prediction of the  ancestors’ socioeconomic status 

using  the  interaction between surnames and cities. This is arguably a more 

demanding and more precise approach to creating links across generations than 

the one adopted in previous studies (i.e. surnames at the national level). Moreover, 

the huge heterogeneity and “localism” of Italian surnames further strengthens the 

quality of the pseudo-links. 

Nevertheless, we propose three tests aimed at showing the robustness of our 

findings to the lineage imputation procedure.  The  first  test is based on the idea 

that the more common a surname is, the less sharing the surname is likely to be 

informative about actual  kinship.  In the first two columns of Table 8,  we re-

estimate equation (3) by weighting observations with the inverse of the relative 

frequency in 1427, thus  giving more weight to rare surnames. Our results are 

confirmed, and if anything, they are upwardly revised, consistent with the fact that 

the mismeasurement of the family links should lead to an attenuation bias.  

The second test exploits the extent to which a surname is Florence-specific 

(specificity is measured as the ratio between the surname shared in Florence and 

the corresponding figure at the national level): the idea is that the more a surname 

is Florence-specific, the less the same surname is likely to be contaminated by in- 

and out-migration patterns. In the last two columns of Table 8, we split our key 

parameters  by interacting them with a dummy variable that equals 1 for more 

typical Florentine surnames (those with a value of the ratio above the median) and 

0 otherwise. The results are reassuring: the elasticities are larger (and significant) 

for more Florence-specific surnames.  

The two exercises  discussed above  indirectly  test the robustness of the 

pseudo-links.  We complement them with a direct  test that goes as follows. We 

randomly reassigned surnames to taxpayers in 2011 and re-estimated the TS2SLS 

intergenerational elasticities.  If the positive correlations we detected  were  not 

related to the lineage (whose measurement might be affected by error), but would 

17 

 

---

emerge by chance, we should find that our estimates are not statistically different 

from those stemming from a random reshuffling of surnames. Figure 4 shows the 

distribution of the estimated earnings elasticity for 1 million replications. The two 

dashed vertical lines are the 95

th

  and the 99

th

  percentiles,  while the red line 

indicates our estimate based on the observed surnames. These results provide a 

clear graphical representation of the informational content of the surnames and 

the goodness of the pseudo-links: the simulated p-value in this exercise is lower 

than 1%. Figure 5 shows the corresponding results for wealth, where the result of 

the test is even more telling. 

 

5.3   Selectivity bias due to families’ survival rate 

 

As said above, we are able to match only a subsample of the surnames in the 

1427 Census with the 2011 tax records. This is clearly a reflection of the 

demographic  processes  that are involved in the analysis of intergenerational 

mobility in the very long run:  the  families’ survival rate depends on migration, 

reproduction, fertility and mortality, which, in turn, may differ across people with 

different socioeconomic backgrounds.  

As far as migration is concerned, some of the families recorded in the 1427 

Census might have decided to migrate during the following centuries. Since they 

are not necessarily a random sample of the original population, this might bias our 

estimates.  Borjas (1987) provided  a theoretical model that shows that migrants 

are mainly drawn from the upper or lower tail of the skill (i.e. income) distribution. 

Analogously,  a  dynasty’s reproduction rate (i.e. fertility/mortality rate) may be 

correlated with income and/or wealth. Jones et al. (2010) showed  a strong and 

robust negative relationship between income and fertility, though they also argued 

that,  in the agrarian (pre-industrialization) economies,  the reverse could have 

been possible, as documented, for example, in Clark and Cummins (2009). On the 

other side, it is reasonable to expect that the wealthiest families were those better 

equipped to survive across the centuries (and therefore, those that can be matched 

to the current tax records).  

How do we address these issues?  First, we compare  the distributions  of 

earnings and wealth in 1427 between the families who are still present in the tax 

records of 2011 and those who are not in order to have a general assessment of the 

relevance of the selection issue. Figure 6a shows that the distributions of earnings 

are rather similar,  although  the density of missing families has a larger mass of 

probability for the lower level of earnings. As far as wealth is concerned, the two 

distributions  overlap each other  (Figure 6b).  Table  9  confirms the visual 

inspection: with respect to the missing families, the surviving ones had 6% higher 

18 

 

---