Microsoft Word 1060-frontespizio doc

placebo regressions where we randomly reassign surnames to the descendants 

and regressions exploiting rare and Florence-specific surnames –  is  largely 

reassuring on the strength of the pseudo-links. If any, our estimated elasticity is 

downward biased. Second, family survival rates – and, therefore, the likelihood of 

finding descendants of Florentine families in the 15

th

  century  among current 

taxpayers  –  may vary across families. If the  variation in the survival rate was 

correlated with current earnings and/or wealth, this would bias our estimates. To 

address this issue, we simulate earnings and wealth realizations for missed 

(unobserved) families, assuming that the economic outcomes of their descendants 

are  independent from those of their ancestors (i.e. setting the intergenerational 

elasticity to the lower bound of zero) and rerun the baseline regressions. We also 

adopt a more standard Heckman approach, accounting for selectivity biases due to 

the survival rate. Both exercises qualitatively confirm our main findings.  

To the best of our knowledge, we are  the first  to  provide evidence on 

intergenerational mobility over  the very long run, linking ancestors and 

descendants that are six centuries apart  (i.e.  about  20 generations of 30 years 

each).  This is the main element of novelty in  the paper. Linking people through 

more than one generation has rarely been done. In no other case has such a long 

time span been studied. Chan and Boliver (2013) showed a statistically significant 

association between grandparents’ and grandchildren’s class positions, even after 

parents’ class position is taken into account. Lindahl et al. (2015) used  Swedish 

data that links individual earnings (and education) for three generations and found 

that persistence is much stronger across three generations than predicted from 

simple models for two generations. More similar to our paper, Collado et al. (2012) 

and Clark and Cummins (2014) exploited the distribution of surnames to estimate 

social mobility over  the long run. Collado et al. (2012), using data from two 

Spanish regions, found that socioeconomic status at the end of the 20th century 

still depends on the socioeconomic status of one’s great-great grandparents; 

however, they also suggested that the correlation vanishes after five generations. 

Clark and Cummins (2014) used the distribution of rare surnames in England and 

found significant correlation between the wealth of families that are five 

generations apart.

4

 

Our empirical analysis also has other prominent strengths and elements of 

novelty. First, we consider different socioeconomic outcomes, including earnings, 

wealth and belonging  to a profession. Indeed, most of the empirical evidence is 

4

 In the data used by Clark and Cummins (2014), the wealth is estimated at death, thus ignoring 

inter-vivos transfers.  Our data, on the contrary, have the advantage of being available when an 

individual is an adult. Moreover, we can control for the evolution of the outcome variable in the 

lifecycle by adding age among the controls. 

7 

 

                                                           

---

focused  on labor income, though wealth inheritance has recently attracted 

renewed interest (Piketty, 2011; Piketty and Zucman, 2015).  Second,  ancestors’ 

socioeconomic  status has  been predicted using  surnames at the city level, thus 

generating more precise links across generations with respect to other studies that 

use names or surnames at the national level. Moreover, the huge heterogeneity and 

“localism” of Italian surnames further strengthen the quality of the pseudo-links 

and represent an ideal setting for analyses that exploit the informational content of 

surnames.  Third,  the Italian cities  offer a unique background to trace family 

dynasties and investigate the transmission of inequalities across the centuries. In 

the 15

th

  century,  Florence, unanimously recognized as the cradle of the 

Renaissance,  was already an advanced and complex society, characterized by a 

high level of economic development, a rich variety of professions and significant 

occupational stratification. Today, Florence continues to display the same features, 

and it can be considered as a representative city of an advanced country. Hence, 

our results are,  in principle,  generalizable to other prosperous and developed 

societies.  Fourth, we are the first to provide a measure of  (two-generation) 

intergenerational earnings mobility in a pre-industrial society. 

The rest of the paper is structured as follows. Section 2 presents the 

empirical strategy. Section 3 provides background information and describes the 

data and the variables. Section 4 shows the main empirical results, while Section 5 

examines potential biases due to the quality of the pseudo-links and to selectivity 

issues, and other robustness issues. Section 6 suggests some mechanisms behind 

long run persistence. Section 7 concludes.  

 

2.  Empirical strategy 

 

The main requirement when analyzing socioeconomic mobility is an 

appropriate data set that spans over generations. Unfortunately, such a suitable 

dataset is not easily available, and this is even more true if we consider generations 

that are centuries apart. To overcome the problem, we adopt an approach that 

combines information from two separate samples (TS2SLS) and whose properties 

are discussed in Inoue and Solon (2010). 

In the first sample,  we have information about ancestors’ socioeconomic 

outcomes (e.g. log of earnings), their surnames and some other covariates, and we 

run the following regression: 

 

????????????

????????????

????????????

= ????????????????????????

????????????

????????????

+ ????????????????????????

????????????

????????????

+ ????????????

????????????

????????????

 

(1) 

 

8 

 

---