희귀도와 속성에 따른 수집품 NFT의 잠재계층 분류 및 가치 분석

1. 서 론

2022년 기준 전년 대비 200배 이상의 폭발적 성장으로 177억 달러 규모의 거래액을 기록하고 있는 NFT(non-fungible token, 대체불가 토큰) 시장은, 2027년까지 연간 35%의 시장 증가율을 기대하고 있는 떠오르는 디지털 자산 시장이다(NonFungible, 2022). NFT는 블록체인 상에 기록되는 실물 또는 가상의 자산에 대한 디지털 토큰이다(Mekacher et al., 2022). 수집품, 예술품, 게임 아이템 등을 나타내는 디지털 자산으로 온라인에서 가상화폐로 거래되며 블록체인 상에 기록된다(Nadini et al., 2021). 가상화폐, 메타버스와 함께 디지털 환경의 주요한 분야로 떠오르고 있으며, 새로운 대체 자산으로 자리매김할 것으로 기대된다(Horky et al., 2022).

NFT는 일반적으로 수집품, 예술품, 게임, 메타버스, 유틸리티의 다섯 가지로 주요 분야를 구분할 수 있다(Kräussl and Tugnetti, 2022). 본 연구에서는 거래 규모 측면에서 가장 큰 수집품 NFT의 대표 격인 BAYC(Bored Ape Yacht Club, 지루한 원숭이 요트클럽)에 대한 분석을 진행하고자 한다.

BAYC는 서로 다른 속성을 갖는 1만 개의 프로필 이미지로 구성된 하나의 NFT이지만, 본 연구에서는 이해의 편의를 위해 BAYC를 1만 개의 NFT로 이루어진 NFT 컬렉션으로 기술하고자 한다. 1만 개의 NFT는 상이한 이미지를 가지며 토큰 ID(#0~#9999)로 구분되어 개별적으로 거래된다(<Figure 1>. 참조). 2022년 9월 판매가를 기준으로 최소 1억 천만 원(토큰 ID #3921)에서 최대 14억 7천만 원(토큰 ID #8585)의 가격을 형성하고 있다. 이러한 가격 차이는 대부분의 NFT에서 보이는 일반적 현상이며 구매자, 판매자 및 창작자 모두에게 중요한 의사결정 기준이 된다.

Figure 1.

BAYC Examples - #3921(left), #8585(right)

2021년 이후에 조금씩 나타나고 있는 NFT 가치 분석 연구는 NFT 가격 결정에 관한 직접적 연구보다는 다른 NFT와의 관계나 가상화폐, 나아가서는 다른 투자자산(주식, 채권, 금, 달러 등)과의 관계를 분석하는 연구를 중심으로 연구 초기 단계를 형성하고 있다. 일부 NFT 가격 결정요인에 관한 연구에서도 NFT 가치의 변동성 측면 연구가 주를 이루어 자산으로서의 NFT에 집중하는 양상을 보인다. 그러나, NFT 투자자나 창작자 및 판매자들은 동일 NFT 컬렉션에서 어떠한 특성의 NFT에 투자하는 것이 유리한 지에 대한 의사결정이 관심일 수밖에 없다. 수집품 NFT의 경우, 다양한 속성이 조합되며 각 속성은 다수의 NFT가 가질 수도 있고 극소수의 NFT에서만 나타날 수도 있는 특성을 갖는다. 따라서, BAYC와 같은 수집품 NFT는 시각적 속성과 그 속성값의 희귀도 수준에 의해 구별되며 시장 가치의 차이를 갖게 된다. 따라서, 이러한 NFT 속성과 희귀도에 따른 가격의 연관성을 탐색하는 것이 NFT 가치를 예측하고 분석하여 창작과 구매 및 판매 활동을 합리적으로 수행하게 하는 시장 참여자들의 이해를 돕는 방안일 것이라 판단된다.

기존의 연구는 이러한 NFT 가치에 대한 직접적인 결정요인에 대한 고려가 미흡하거나 회귀분석 등을 이용한 변수 중심의 분석방법을 적용하였다. 변수 중심의 분석방법은 NFT 컬렉션 전체를 동질적 집단으로 가정하고 영향 변수의 유의성과 영향 수준을 밝히는데 초점이 있다. 그러나 NFT 컬렉션 중 두드러진 가격 차이를 나타내는 집단 간의 차이를 설명하기에 변수 중심의 분석방법은 한계가 있을 수밖에 없다. 대안으로 하나의 NFT 컬렉션을 이루고 있으나 이질적 집단으로 차별화된 인식을 할 수 있다는 관점을 갖는 대상 중심 방법인 잠재계층분석을 고려할 수 있다.

본 연구에서는 대표적 수집품 NFT인 BAYC에 대해 속성과 희귀도를 고려한 NFT 가치의 차이를 잠재계층분석을 통해 살펴보고자 한다. 제2장에서는 기존의 NFT 가치 분석 관련 선행연구를 기술하고, 제3장에서는 잠재계층분석을 이용한 분석 방법을 설명하고 제4장에서 그 분석결과를 기술한다. 제5장에서는 분석결과의 시사점과 함께 추후 연구 방향을 제안한다.

2. 이론적 배경

3. 분석 방법

3.1 분석 대상 및 자료

BAYC는 2021년 4월에 출시된 이래 가장 가치있는 NFT로 평가받고 있으며, 2022년 9월 현재 11만 달러의 바닥가(floor price)로 독보적 가치를 인정받고 있다(Kireyev, 2022). 배경(background), 복장(clothes), 귀걸이(earring), 눈(eyes), 털(fur), 모자(hat), 입(mouth)의 7가지 속성의 171개 속성값들의 조합으로 10,000 개(토큰 ID 0부터 토큰 ID 9999까지)의 서로 다른 이미지를 갖는다. 속성값은 배경, 복장 등 속성이 가질 수 있는 값으로 초록색 배경, 가죽 자켓 등에 해당하며 부록에 표로 정리하였다(<Table 1>과 Appendix <Table A1> 참조). 각 속성별로 8, 44, 7, 23, 19, 37, 33개의 속성값을 가지므로 가능한 조합의 수는 1,314,733,728 가지이지만 그 중 10,000 개가 생성된 NFT이므로 속성값별 빈도수의 편차가 최소 26에서 최대 7023으로 상당히 크며 이러한 빈도수의 수준을 희귀도로 고려할 수 있다. 상세한 속성과 속성값 및 거래자료 등은 오픈씨(OpenSea.io) 등의 NFT 마켓플레이스에서 확인할 수 있다.

Table 1.

Research Variables

희귀도는 Mekacher et al.(2022)에서 제안한 아래의 산식을 이용하였다.

$\[ r_{ia}={\left(\frac{f_{ia}}{N}\right)}^{-1} \]$

(1)

즉, 토큰 ID i가 주어질 때 속성 a에 대한 속성값의 희귀도(r_ia)는 “NFT를 구성하는 전체 토큰 ID의 개수 N 중에, 해당 속성 a의 속성값과 동일한 속성값을 갖는 토큰 ID들의 개수(f_ia) 의 역수”이다. 예를 들어 BAYC를 구성하는 전체 토큰 ID의 개수는 10,000개이고, 그 중 털(fur) 속성의 값인 갈색(brown)을 갖는 토큰 ID의 수는 1,378 개이므로, 속성값 갈색의 희귀도는 10,000/1,378 = 7.2569이다.

NFT 가치는 거래되는 가격의 변동폭이 크고, 자산시장 변동 등에 의한 영향이 상당하기에 거래 시점에 따른 편차를 통제할 필요가 있다. 이를 위해 판매가 이루어진 해당일의 평균 거래 가격을 기준으로 상대적인 가치를 측정하였다. 이는 외부적 요인에 의한 NFT 가치를 통제함으로써 개별 NFT의 상대적 가치를 측정하기 위함이다. 이를 위해 NFT 전문 분석서비스(dune.com)의 거래 DB를 통해 2021년 5월부터 2022년 2월까지의 모든 거래 데이터를 수집해 분석하였다.

3.2 분석 방법 및 연구 모형

BAYC를 구성하는 만 개의 NFT들은 모두 상이한 속성 조합을 갖으며, 시장에서 거래되는 가치도 상이하다. 만 개의 NFT들은 상이한 속성 조합과 희귀도에 따라 이질적인 집단(잠재계층)으로 구분할 수 있다. 본 연구에서는 잠재계층을 결정한 후 관련 변인의 영향력을 검증하기 위해 3단계 잠재계층 분석을 수행하였다(Asparouhov and Muthén, 2014; Kim and Hong, 2021). 단계 1에서는 잠재계층 구분을 위해 관찰변수인 속성과 희귀도만 투입하여 잠재계층 분석을 수행하고 최적 잠재계층 수를 결정한다. 단계 2에서는 잠재계층 사후확률분포를 근거로 각 NFT가 속할 잠재계층을 확률적으로 결정한다. 단계 3에서는 단계 2의 잠재계층 분류를 바탕으로 결과변수인 NFT 가치에 대한 각 잠재계층의 영향을 검증한다. 3단계 잠재계층 분석을 위해서 LatentGold 5.1의 3Step 모듈을 사용하였으며, 잠재계층에 따른 NFT 차이 검증을 위해 SPSS 26을 사용하였다.

연구모형(<Figure 2>)은 NFT 잠재계층을 중심으로 NFT 이질성에 영향을 주는 속성, 속성수 및 희귀도가 관찰변수로 설정되었으며, 분류된 잠재계층에 따른 NFT 가치가 결과 변수인 종속 변수로 설정되었다. 7가지의 속성은 범주형 변수로 속성1부터 속성 7의 변수명으로 정의되었다. 속성 수는 7가지 중 해당 NFT가 갖는 속성의 수로 최소 4에서 최대 7의 값을 갖는다.

Figure 2.

Research Model

4. 분석 결과

4.1 잠재계층 수 결정

잠재계층분석의 결과 잠재계층 수는 8개가 적합한 것으로 나타났다. 잠재계층 수를 결정하는 일반적인 3가지 기준인 적합도 지표(AIC, BIC 등), 엔트로피, 우도비 검정의 결과와 각 잠재계층의 분류율을 Table 2에 정리하였다. 적합도 지표의 경우 AIC는 잠재계층 수가 늘어남에따라 지속적으로 감소하는 경향을 보였으나 BIC와 sBIC의 경우는 8개의 잠재계층 모형에서 최소값을 나타내었다. Morgan(2015)은 범주 변수와 연속 변수가 혼합된 잠재계층분석에서 BIC와 sBIC가 더 정확한 적합도 지표임을 실증하였으며 본 모형도 동일한 상황이므로 BIC를 판단의 기준으로 설정할 수 있다. 엔트로피의 경우 0.8 이상의 적합도 기준으로 모두 만족하였다(Muthén, 2004). 두 가지의 우도비 검정(LMRT, BLRT)도 유의확률이 0에 근접하여 잠재계층 수가 증가할수록 모형 적합도가 높아지는 것으로 나타났다. 이상의 3가지 기준을 종합하여 잠재계층 수를 8개로 설정하였다.

Table 2.

Goodness-of-fits of latent class models

4.2 잠재계층 특성

8개로 구분된 잠재계층은 속성, 속성수와 희귀도에 따라 이질적 집단으로 분류되었다. 분석의 편의를 위해 잠재계층은 희귀도를 기준으로 오름차순 정렬하였다(<Table 3> 참조). 희귀도에 따라 속성수가 증가하는 경향을 보이기도 하지만 높은 희귀도를 갖는 잠재계층 7과 8의 경우는 7개의 속성 중 1개 이상의 속성이 없는 집단이라는 특징이 있다.

Table 3.

Rarity and Number of Properties by Latent Classes

잠재계층에 속한 각 NFT들의 속성별 특징은 7가지 속성에 대해 171개의 속성값을 갖는 명목 변수의 조합이므로 잠재계층 간 차이를 명시적으로 기술하기는 쉽지 않다. 그러나, 각 잠재계층별로 해당 속성값의 비율을 통해 차별화되는 속성별 잠재계층별 특징을 파악할 수 있다. 배경 속성의 경우, NFT 컬렉션의 속성값 비율은 거의 균일하지만 잠재계층별로 구분하면 속성값의 분포가 상이하다. 속성값 분포의 편차를 측정하기 위해 잠재계층별 변동계수를 계산하면 집단 8은 0.4인 반면 나머지 집단은 절반인 0.2를 하회한다(<Table 4> 참조). 즉, 집단 8은 배경 속성의 속성값 분포의 산포가 특별히 크다는 것이다.

Table 4.

Property Characteristics by Latent Classes

배경을 제외한 나머지 속성에 대해서는 <Table 4>의 속성에 따른 집단별 차이를 카이제곱검정을 통해 유의한 차이를 확인하였다. 특히, 가장 유사한 편차를 갖는 털(fur) 속성의 집단 7과 집단 8의 경우도 유의한 차이를 확인하였다(Chi-squared = 5.282, p-value = 0.02155).

털 속성의 경우, 일반적인 속성값인 black, dark brown, brown의 비율을 측정해보면 0.23인 집단 8과 0.32인 집단 7을 제외하면 0.4를 전후한 값을 갖는다. 이는 집단 8이 다른 집단에 비해 특별한 털 속성을 2배 정도 갖고 있다는 것을 의미한다.

눈 속성의 경우, 시각적으로도 눈에 띄는 속성값인 blue beams와 laser eyes의 비율을 계산해보면, 집단 8과 집단 7이 0.10과 0.08로 다른 집단에 비해 최소 3배에서 최대 92배 큰 것을 알 수 있다. 속성수가 4인 집단 1이 0.03에 가까운 비율로 눈 속성의 특별함이 나머지 집단에서 차별화됨을 알 수 있다.

입 속성의 경우 일반적인 속성값(bored 또는 bored unshaven) 대비 특별한 속성값(bored unshaven에 추가 요소가 붙은 속성)을 갖는 NFT의 비율을 측정해보면, 집단 8이 33으로 다른 집단과 압도적으로 차이가 발생한다. 두 번째로 큰 값은 1.6으로 집단 7이며 나머지 집단은 0.2 전후의 값을 갖는다.

복장, 모자, 귀걸이 속성의 경우 none 속성값(해당 속성을 갖지 않음)의 비율을 측정하였다. 복장의 경우, 집단 1과 집단 2가 0.99로 거의 복장 속성을 갖지 않는 것을 알 수 있었다. 모자의 경우는 집단 1과 집단 3의 해당 속성값이 대부분 none이었다. 귀걸이의 경우는 대부분 집단이 높은 none 속성값 비율을 갖는 것에 비해 집단 4와 집단 6이 0.0001로 귀걸이를 대부분 갖고 있는 집단으로 구성된 것을 알 수 있었다.

이상의 속성별 분석을 종합하면, 집단 1은 복장과 모자 속성이 없는 집단, 집단 2는 복장 속성이 없는 집단, 집단 3은 모자 속성이 없는 집단, 집단 4는 귀걸이를 착용한 집단, 집단 5는 복장과 모자를 쓰고 귀걸이는 없는 집단, 집단 6은 귀걸이, 복장, 모자 속성을 갖는 집단, 집단 7은 눈을 필두로 특별한 속성값을 꽤 갖는 집단, 집단 8은 털, 눈, 입의 속성이 매우 특별하고 배경 속성값의 편차가 심한 집단으로 특징을 기술할 수 있다(<Table 5> 참조).

Table 5.

NFT Examples by Latent Classes

4.3 NFT 가치에 대한 차이 분석

8개 집단별 NFT 상대가치는 정규성을 위해 로그변환하였으며 집단별 평균은 -0.0907(집단 5)에서 0.6797(집단 8)의 편차를 갖는다(<Table 6> 참조). 이는 NFT 상대가치가 각각 0.9133과 1.9733으로 집단 5는 평균 거래가의 91.33%이고 집단 8은 197.33% 수준임을 나타낸다. 동일한 NFT 컬렉션이지만 소속 집단에 따라 최대 2.1606배의 기대 가격차가 발생할 수 있음을 의미한다.

Table 6.

NFT Values by Latent Classes

희귀도가 속성 수와 비례적으로 증가하는 집단은 집단 1에서 집단 6까지로 희귀도는 집단 1에서 집단 8로 갈수록 증가하지만 속성 수는 집단 6까지 증가한 후 집단 8까지는 감소하는 위로 볼록한 형태를 갖는다(<Figure 3> 참조). NFT 가치의 경우, 집단 6부터 집단 8까지 급격히 증가하는 패턴을 가지며 집단 1에서 집단 5까지는 편차를 급격히 줄이며 감소하는 패턴을 나타내어 전체적으로는 아래로 볼록한 형태를 갖는다. 흥미롭게도 희귀도에 따른 속성 수와 NFT 가치는 정반대의 패턴을 보이고 있다. 상식적으로는 속성이 여러 가지일수록 희귀도가 높을 것이라 생각할 수 있으나 이는 비교적 낮은 희귀도 집단에서만 의미 있는 관계이다. 정작 중요한 고 희귀도 집단은 오히려 7가지 속성 중 한두 가지 속성이 없는 집단임을 알 수 있다. NFT 가치의 경우 고 희귀도 집단에 대해서는 비례적으로 증가하는 가치 패턴을 보이고 있어 시장 참여자들의 기대와 다르지 않다. 그러나 속성 수가 가장 적은 집단이 희귀도도 가장 낮지만 NFT 가치 측면에서는 상당히 높은 수준을 나타내고 있다.

Figure 3.

NFT Value Versus Rarity and Number of Properties

NFT 가치가 희귀도 증가에 따라 아래로 볼록한 패턴을 보이는 것과 함께 집단별 차이를 확인하기 위해 차이 검정을 수행하였다. 우선, 3단계 잠재계층 분석의 마지막 단계에서 잠재계층에 의한 결과 변수(NFT 가치)로의 영향력 차이를 검증하였다. 집단 간 영향력 차이 검증의 결과 5개의 동질적 집합({5}, {2, 3, 4}, {6}, {1, 7}, {8})으로 8개의 집단을 구분할 수 있었다. 집합의 순서는 NFT 가치 크기를 반영한다. 추가적으로 집단에 따른 NFT 가치의 차이 검증을 분산분석을 통해 수행하였다. 이를 통해 4개의 동질 집합({2, 3, 4, 5}, {6}, {1, 7}, {8})으로 8개의 집단을 구분할 수 있었다. 집단 5가 가장 낮은 NFT 가치를 보이며 집단 2~4가 거의 유사하게 낮은 가치를 갖는다. 집단 6은 이들과는 유의하게 더 큰 가치를 가지며, 집단 1과 7은 집단 8보다는 가치가 작지만 상당히 높은 수준의 가치를 갖고 있다.

5. 결론

디지털 환경으로의 전환 과정에서 나타나고 있는 새로운 자산인 NFT의 가치를 분석하기 위해 NFT의 속성과 희귀도에 따른 이질적 집단을 도출하고 이에 따른 NFT 가치의 차이를 검증하였다. NFT 가치에 영향을 주는 변인 중심의 분석이 아닌 분석 대상이 이질적 집단일 수 있다는 대상 중심적 분석인 잠재계층분석을 이용하여 분석하였다. 회귀분석 등의 기존 방법은 종속 변수에 영향을 주는 변인을 찾아내는 것에 초점을 맞추고 있어 대상 자체의 이질성에 대한 고려가 부족하다.

BAYC에 대한 3단계 잠재계층분석을 통해 다음의 결과를 도출할 수 있었다.

첫째, 10,000개의 NFT 컬렉션은 속성과 희귀도를 관찰 변수로 8개의 이질적인 집단으로 구별할 수 있음을 확인하였다.

둘째, 희귀도 증가에 따라 속성 수는 위로 볼록하며 NFT 가치는 아래로 볼록한 패턴을 확인하였다. 속성 수는 고 희귀도에서 오히려 감소하고 NFT 가치는 저 희귀도에서 반비례 관계에 있다고 정리할 수 있다.

셋째, 7가지 속성 중 배경, 털, 눈, 입은 고 희귀도 특성으로 집단이 구분되었으며, 복장, 모자, 귀걸이 속성의 경우는 속성 조합에 따른 집단 차이를 확인하였다. 배경, 털, 눈, 입은 필수적인 속성으로 희귀도에 의한 영향이 크다는 것을 알 수 있다. 복장, 모자, 귀걸이는 악세사리로 모두 안 하는 경우부터 3가지 모두 갖는 다양한 조합을 생각할 수 있으며 그러한 조합에 의해 집단이 구별되었다. 집단 1은 집단 2와 유사한데 모자 속성의 유무가 극단적인 차이를 가지며 NFT 가치에서는 현격한 차이를 보이고 있다. 집단 4와 집단 6도 귀걸이 속성을 비롯해 유사하지만 복장과 모자를 모두 갖고 있는 집단 6이 NFT 가치는 유의하게 크다. 집단 2와 집단 3은 복장과 모자 중 한 속성만 갖는 반대 패턴의 집단이지만 NFT 가치는 유의한 차이가 없으며 거의 동일한 크기를 갖는다.

넷째, NFT 가치 측면에서 가장 유리한 집단은 집단 8이다. 집단 8은 속성을 5개 또는 6개 갖는 집단으로 필수 속성인 배경, 털, 눈, 입이 특별한 희귀도를 갖는 비교적 고가치일 것으로 추정하기 쉬운 집단이다. 다음으로 높은 가치를 갖는 집단 7은 속성을 6개 가지며 눈 속성의 희귀도가 높고 모자는 거의 쓰지 않으며 귀걸이 속성은 대부분 갖고 있는 집단이다. 다음으로 높은 가치를 갖는 집단 1은 4개의 속성만 갖는 단순한 속성의 집단이다. 이는 혁신적인 제품이나 기술의 복잡성이 오히려 구매회피 요인일 수 있다는 혁신저항 모형의 주장과도 연결된다(Ram, 1987). 다양한 속성값 조합에 의한 현란한 이미지들이 주류인 NFT 중에서 단순하고 밋밋해 보이기까지 하는 이미지가 오히려 더 매력적일 수 있다는 것을 보여준다. 집단 2에서 집단 5까지는 거의 유사한 희귀도와 NFT 가치를 갖는 집단이다. 특이한 것은 이 집단들의 경우 비록 통계적으로 유의하지는 않지만 희귀도가 높을수록 NFT 가치는 오히려 낮아진다는 것이다. 충분한 수준의 희귀도를 갖지 못하면서 복잡하고 현란해 보이는 이미지에 대한 낮은 가치 또한 복잡성에 따른 피로감을 반영하는 것이라 할 수 있다. 속성수 측면에서는 5개인 집단 2와 3, 6개인 집단 4와 5로 집단 7이나 집단 8과 구별에 신중을 기해야 한다. 모두 속성수는 5개 또는 6개지만 NFT 가치 측면에서는 편차가 가장 큰 집단들이기 때문이다. 필수 속성의 희귀도가 높은지를 확인하면 집단 7 또는 집단 8임을 확인할 수 있다. 필수 속성 희귀도가 낮을 경우 보조적 속성인 복장, 모자, 귀걸이의 속성 조합을 파악함으로써 집단 2에서 5에 속하는지를 파악할 수 있다.

이상의 결과를 통해 NFT 속성과 희귀도를 기준으로 이질적 집단을 구성하고 있음을 확인하였고 이에 따른 NFT 가치의 차이도 확인하였다. 이는 NFT 가치 분석에 있어 영향 요인을 찾기 위한 노력뿐 아니라 개별 NFT들의 이질성을 분석하는 것도 주목할 필요가 있음을 확인한 것으로 볼 수 있다.

본 연구는 대표적인 NFT인 BAYC를 대상으로 분석된 연구로 다양한 NFT의 상황과 특징을 반영하기에는 무리가 있는 일반화의 한계를 갖는다. 추후 다양한 NFT로 확장하여 NFT 집단의 이질성 분석과 잠재계층의 영향 관계를 포함하는 확장된 연구 모형으로 연구가 진행될 필요가 있다.

Acknowledgments

이 논문은 충남대학교 학술지원비의 지원을 받아 수행되었음.

References

• Aharon, D. Y. and Demir, E. (2022), NFTs and Asset Class Spillovers: Lessons from the Period Around the COVID-19 Pandemic, Finance Research Letters, 47, 102515. [https://doi.org/10.1016/j.frl.2021.102515]
• Ante, L. (2022), The Non-fungible Token (NFT) Market and Its Relationship with Bitcoin and Ethereum, FinTech, 1(3), 216-224. [https://doi.org/10.3390/fintech1030017]
• Asparouhov, T. and Muthén, B. (2014), Auxiliary Variables in Mixture Modeling: Three-step Approaches Using M Plus, Structural Equation Modeling: A Multidisciplinary Journal, 21(3), 329-341. [https://doi.org/10.1080/10705511.2014.915181]
• Baek, S. H. and Jung, H. W. (2016), Classification of Latent Classes and Influencing Factors on College Life Performance of College Entrants: Focusing on Admissions Officers, Asian Journal of Education, 17. [https://doi.org/10.15753/aje.2016.03.17.1.251]
• BAYC (2022), https://boredapeyachtclub.com/#/gallery, Accessed July 29 2022.
• Burton, B. J. and Jacobsen, J. P. (1999), Measuring Returns on Investments in Collectibles, Journal of Economic Perspectives, 13(4), 193-212. [https://doi.org/10.1257/jep.13.4.193]
• Choo, J. Y. (2022), Multilayer Latent Profile and Analysis of Influencing Factors on Academic Achievement and School Adaptation of Elementary, Middle, and High School Students, Ph.D. Thesis, Ewha Womans University.
• Dowling, M. (2022), Is Non-fungible Token Pricing Driven by Cryptocurrencies? Finance Research Letters, 44, 102097. [https://doi.org/10.1016/j.frl.2021.102097]
• Goldberg, M., Kugler, P., and Schär, F. (2021), The Economics of Blockchain-basedvirtual Worlds: A Hedonic Regression Model for Virtual Land, Available at SSRN3932189. [https://doi.org/10.2139/ssrn.3932189]
• Horky, F., Rachel, C., and Fidrmuc, J. (2022), Price Determinants of Non-fungible Tokens in the Digital Art Market, Finance Research Letters, 48, 103007. [https://doi.org/10.1016/j.frl.2022.103007]
• Hughes, J. E. (2022), Demand for Rarity: Evidence from a Collectible Good, The Journal of Industrial Economics, 70(1), 147-167. [https://doi.org/10.1111/joie.12262]
• Kim, Y. S. and Hong, S. H. (2021), Analysis of Latent Class, Influencing Factors and Performance of Participation in Youth Entrepreneurship Experience Activities, Korean Youth Studies, 32(2), 5-29. [https://doi.org/10.14816/sky.2021.32.2.5]
• Kireyev, P. (2022), NFT Marketplace Design and Market Intelligence. INSEAD Working Paper No. 2022/03/MKT, Available at SSRN: http://dx.doi.org/10.2139/ssrn.4002303. [https://doi.org/10.2139/ssrn.4002303]
• Koford, K. and Tschoegl, A. E. (1998), The Market Value of Rarity, Journal of Economic Behavior & Organization, 34(3), 445-457. [https://doi.org/10.1016/S0167-2681(97)00084-X]
• Kong, D. R. and Lin, T. C. (2021), Alternative Investments in the Fintech Era: The Risk and Return of Non-Fungible Token (NFT), Available at SSRN 3914085. [https://doi.org/10.2139/ssrn.3914085]
• Kräussl, R. and Tugnetti, A. (2022), Non-Fungible Tokens (NFTs): A Review of Pricing Determinants, Applications and Opportunities, Applications and Opportunities (May 17, 2022). [https://doi.org/10.2139/ssrn.4112429]
• Lee, G., Lee, H., and Koo, H. (2023), A Study on Value Determinants of Profile Picture NFTs Using Hedonic Models, Journal of the Korean Institute of Industrial Engineers, 49(1), 46-62. [https://doi.org/10.7232/JKIIE.2023.49.1.046]
• Lee, H., Lee, E., and Song, Y. (2020), Exploring the Relationship between Corporate Innovation Types and Performance Using Latency Hierarchy Analysis (LCA), Corporate Education and Talent Research, 22(1), 255-284. [https://doi.org/10.46260/KSLP.22.1.10]
• Lo, Y., Mendell, N. R., and Rubin, D. B. (2001), Testing the Number of Components in a Normal Mixture, Biometrika, 88(3), 767-778. [https://doi.org/10.1093/biomet/88.3.767]
• Mekacher, A., Bracci, A., Nadini, M., Martino, M., Alessandretti, L., Aiello, L. M., and Baronchelli, A. (2022), How Rarity Shapes the NFT Market, arXiv preprint arXiv:2204.10243, .
• Morgan, G. B. (2015), Mixed Mode Latent Class Analysis: An Examination of Fit Index Performance for Classification, Structural Equation Modeling: A Multidisciplinary Journal, 22(1), 76-86. [https://doi.org/10.1080/10705511.2014.935751]
• Muthén, B. (2004), Latent Variable Analysis, The Sage Handbook of Quantitative Methodology for the Social Sciences, 345(368), 106-109.
• Nadini, M., Alessandretti, L., Di Giacinto, F., Martino, M., Aiello, L. M., and Baronchelli, A. (2021), Mapping the NFT Revolution: Market Trends, Trade Networks, and Visual Features, Scientific Reports, 11(1), 1-11. [https://doi.org/10.1038/s41598-021-00053-8]
• NonFungible (2022), Yearly NFT Market Report 2021, https://nonfungible.com/reports/2021/en/yearly-nft-market-report-free, , Accessed July 27 2022.
• OpenSea (2022), https://opensea.io/rankings?sortBy=total_volume, , Accessed July 27 2022.
• Ram, S. (1987), A Model of Innovation Resistance, ACR North American Advances.
• Schaar, L. and Kampakis, S. (2022), Non-fungible Tokens as An Alternative Investment: Evidence from Cryptopunks, The Journal of The British Blockchain Association, 31949. [https://doi.org/10.31585/jbba-5-1-(2)2022]
• Wu, Y., Xin, L., Li, D., Yu, J., and Guo, J. (2021), How does Scarcity Promotion Lead to Impulse Purchase in the Online Market? A Field Experiment, Information & Management, 58(1), 103283. [https://doi.org/10.1016/j.im.2020.103283]