Microsoft Word 1060-frontespizio doc

Table 4. Real wealth mobility: baseline 

Dependent variable: 

Log of wealth  Log of wealth  Log of wealth 

Log of ancestors’ wealth 

0.027*** 

0.026*** 

0.018** 

Standardized beta coefficient 

0.103 

0.102 

0.069 

 

(0.008) 

(0.008) 

(0.008) 

Rank-rank coefficient 

0.105*** 

0.105*** 

0.073** 

 

(0.031) 

(0.031) 

(0.030) 

Female  

NO 

YES 

YES 

Age and age squared 

NO 

NO 

YES 

Observations 

679 

679 

679 

R-squared 

0.018 

0.020 

0.110 

Bootstrapped standard errors in parentheses (1,000 replications); *** p<0.01, ** p<0.05, * p<0.1. 

 

 

 

Table 5. Earnings mobility: transition matrix 

Origin ↓ / Destination→ 

Lower 

class 

Middle class 

Upper 

class 

Lower class  

32.8 

36.4 

30.8 

Middle class 

43.0 

29.1 

27.9 

Upper class 

25.3 

34.8 

39.9 

 

 

 

Table 6. Real wealth mobility: transition matrix  

Origin ↓ / Destination→ 

Lower 

class 

Middle class 

Upper 

class 

Lower class  

41.6 

29.8 

28.6 

Middle class 

31.6 

34.3 

34.1 

Upper class 

26.8 

36.2 

37.0 

 

 

 

 

 

29 

 

---

Table 7. Earnings and real wealth mobility: robustness 

Dependent variable: 

Log of earnings 

Log of wealth 

Log of ancestors’ earnings/wealth 

0.065* 

0.061** 

0.023** 

0.016** 

 

(0.033) 

(0.030) 

(0.010) 

(0.008) 

Controls 

YES 

YES 

YES 

YES 

Specification 

Imputation 

procedure 

Trimming  Imputation 

procedure 

Trimming 

Observations 

806 

790 

679 

667 

R-squared 

0.068 

0.048 

0.085 

0.101 

In column 1, earnings are corrected using the parameters estimated by Marino and Zizza (2011); in column 3, we use real estate incomes instead 

of real wealth imputed through the SHIW; columns 2 and 4 refer to the exclusion of the top and bottom percentile of both the dependent and 

independent variables. Controls include a dummy for female and age and age squared. Bootstrapped standard errors in parentheses (1,000 

replications); *** p<0.01, ** p<0.05, * p<0.1. 

 

 

 

Table 8. Mobility for rare and Florence-specific surnames 

Dependent variable: 

Log of 

earnings 

Log of 

wealth 

Log of 

earnings 

Log of 

wealth 

Log of ancestors’ earnings/wealth 

0.076** 

0.019** 

 

 

 

(0.034) 

(0.009) 

 

 

×

 Less typical Florentine surnames 

 

 

0.021 

0.014 

 

 

 

(0.036) 

(0.010) 

×

 More typical Florentine surnames 

 

 

0.053* 

0.020* 

 

 

 

(0.027) 

(0.011) 

Controls 

YES 

YES 

YES 

YES 

Specification 

More weight to  

rare surnames in 1427 

Differences by low- high-

Florence-specific surnames 

Observations 

806 

679 

806 

679 

R-squared 

0.061 

0.119 

0.049 

0.110 

More (less) typical Florentine surnames are those for which the ratio between the surname share in Florence and the corresponding figure at the 

national level is above (below) the median. Controls include a dummy for female and age and age squared. Bootstrapped standard errors in 

parentheses (1,000 replications); *** p<0.01, ** p<0.05, * p<0.1. 

 

 

 

30 

 

---

Table 9. Earnings and wealth distribution by survival rate 

 

Surviving 

families 

Missing 

families 

Difference 

Log of ancestors’ earnings 

3.465 

3.406 

0.059** (0.026) 

Log of ancestors’ wealth 

4.628 

4.504 

0.124     (0.115) 

Surviving families refer to surnames that are present both in 1427 Census and in 2011 tax records; missing 

families are surnames existing in 1427 Census but not in 2011 tax records; standard errors in parenthesis; *** 

p<0.01, ** p<0.05, * p<0.1. 

 

 

 

Table 10. Heckman corrected estimates 

Dependent variable: 

Log of earnings 

Log of wealth 

Log of ancestors’ earnings/wealth 

0.047* 

0.025*** 

 

(0.027) 

(0.009) 

Controls 

YES 

YES 

Inverse Mills’ ratio 

0.008 

0.226* 

 

(0.042) 

(0.130) 

Observations 

806 

679 

 

Probability of surviving 

Size of the family in 1427 

0.008*** 

0.003*** 

 

(0.001) 

(0.000) 

Observations 

1,895 

1,895 

Controls include a dummy for female and age and age squared. Bootstrapped  standard errors in parentheses (1,000 

replications); *** p<0.01, ** p<0.05, * p<0.1. 

 

 

 

Table 11. Probability to belong to a given profession 

Dependent variable: 

Lawyer 

Banker 

Doctor or 

pharmacist 

Goldsmith 

Share of ancestors in the same profession 

0.004***  0.001** 

0.001 

0.004*** 

 

(0.001) 

(0.000) 

(0.002) 

(0.001) 

Observations 

133,193  133,193 

133,193 

133,193 

R-squared 

0.000 

0.000 

0.000 

0.000 

Marginal effects from a probit model are reported. Standard errors clustered at the surname level in parentheses; *** p<0.01, ** p<0.05, * 

p<0.1. 

 

 

 

31 

 

---