Plusieurs études montrent que les conditions de vie vécues dans l’enfance peuvent avoir un effet à long terme sur la santé et la mortalité. Cette niche n’ayant pas été explorée pour la population canadienne, nous avons mis sur pied un projet visant le jumelage du recensement canadien de 1901 et des actes de décès de l’état civil québécois dans le but d’établir l’âge au décès d’enfants pour lesquels il existait des informations socio-économiques. Le but de la présente contribution est de tester la validité des données collectées en les comparant avec des tables de mortalité calculées à l’aide des données issues de la Base de données sur la longévité canadienne (Université de Montréal), et d’examiner des sources de biais potentiels. Parmi les biais potentiels, nous avons évalué la possibilité d’un effet de sélection dans l’échantillon à l’aide d’une régression logistique dans laquelle nous avons introduit plusieurs variables explicatives de la mortalité aux grands âges. Le but recherché étant de savoir si ces variables ont à leur tour un impact sur le fait de trouver ou non un acte de décès.It has been suspected for a long time that early life conditions could affect adult mortality, and scholars endorsing a life course perspective have recently reported compelling evidence for the “long arm of childhood.” As this niche has not yet been developed in the Canadian context, we have established a record-linkage project tracing the early life conditions of individuals who were listed as children in the 1901 Canadian Census and Quebec’s death records. This paper focuses on the difficulties involved in the linkage process and on how selection biases may affect findings. First, we compare mortality patterns from our samples to the mortality tables derived from the Canadian Human Mortality Database at the Université de Montréal. Second, using logistic regression, we build a sample selection model for which the outcome is whether a death record is found. Many of the predictors included in this model (sex, urban-rural status, father’s occupation, literacy, etc.) will also be used in our future models predicting mortality at older ages, helping us to assess potential biases and their impacts on findings